Trafikte Risk Sadece “Yakındaki Araç” Değildir

Otonom araçlar için güvenli sürüş, yalnızca görünen araçların konumunu bilmekten ibaret değildir. Bir aracın nerede olduğu, hangi hızla geldiği, hangi şeride geçebileceği ve hangi bölgelerin görüş dışında kaldığı birlikte değerlendirilmelidir.

Özellikle üç durum zordur:

Birincisi, şerit değiştirme. Araç yalnızca yanındaki aracı değil, hedef şeritteki hareket akışını da düşünmek zorundadır.

İkincisi, birleşme rampaları. Ana yol ve katılım şeridi aynı noktada birleşir. Bu bölgelerde araçların niyetleri ve zamanlaması güvenlik açısından kritiktir.

Üçüncüsü, görüş kapanması. Büyük bir kamyon veya treyler, otonom aracın sensörlerinin arkasındaki başka bir aracı görmesini engelleyebilir. O araç görünmüyor diye risk yok sayılırsa sistem geç tepki verebilir.

Bu makalenin temel sorusu şudur:

Otonom araç, yalnızca görünen tehlikeyi değil, görünmeyen ama olası tehlikeyi de yol üzerinde yayılan bir risk alanı olarak modelleyebilir mi?

Geleneksel Güvenlik Ölçütleri Neden Yetmeyebilir?

Trafik güvenliğinde Time-to-Collision, yani çarpışmaya kalan süre, ve Post-Encroachment-Time gibi ölçütler sık kullanılır. Bunlar iki araç arasındaki yakınlaşmayı tek bir sayı ile anlatır.

Bu tür ölçütler faydalıdır; fakat bazı sınırlamaları vardır.

Öncelikle çoğu anlık ve ikili ölçüttür. Yani iki araç arasındaki ilişkiyi belirli bir anda değerlendirir.

İkinci olarak, yolun tamamındaki risk dağılımını göstermez. Bir birleşme bölgesinde risk yalnızca iki aracın arasındaki mesafe değildir; yol geometrisi, şerit bağlantısı ve trafik akışı da önemlidir.

Üçüncü olarak, görüş kapanması durumunda sorun yaşarlar. Eğer gizli araç sensör tarafından görülmüyorsa, klasik ölçütler o araç için hesaplanamaz.

DRIFT bu nedenle riski tek bir sayı yerine, kuşbakışı yol düzleminde zamanla değişen bir alan olarak temsil eder.

Risk Alanı Ne Demek?

Risk alanı, yolun her noktasına bir risk değeri atanması demektir. Bu değer yüksekse o bölge daha tehlikeli veya daha dikkatli davranılması gereken bir bölge olarak değerlendirilir.

Bunu bir ısı haritası gibi düşünebiliriz:

Mavi veya düşük değerli bölgeler daha güvenli olabilir.
Sarı-kırmızı veya yüksek değerli bölgeler daha dikkatli yaklaşılması gereken alanları gösterebilir.

Otonom araç bu alanı kullanarak yalnızca “önümde araç var mı?” sorusunu değil, “hangi bölgeye doğru gidersem risk artar?” sorusunu da sorabilir.

Bu yaklaşımın önemli avantajı, riskin uzamsal yapısını göstermesidir. Yani tehlike sadece bir araç noktası olarak değil, yola yayılan bir etki olarak modellenir.

DRIFT Ne Öneriyor?

DRIFT, Driving Risk Inference via Field Transmission ifadesinin kısaltmasıdır. Türkçeye “alan iletimi yoluyla sürüş riski çıkarımı” şeklinde çevrilebilir.

Yöntem, trafikteki riski fizik tabanlı bir iletim modeliyle zaman içinde günceller. Risk yalnızca o anki araç konumlarından oluşmaz; trafik akışı boyunca taşınabilir, belirsizlik nedeniyle yayılabilir ve tehlike ortadan kalktığında zamanla temizlenebilir.

DRIFT üç ana risk kaynağını birleştirir:

Araç kaynaklı risk:
Görünen araçların konumu, hızı ve hareket yönünden gelen risk.

Görüş kapanması kaynaklı gizli risk:
Kamyon veya büyük araçların arkasında görünmeyen potansiyel tehlikeler.

Birleşme bölgesi riski:
Yol topolojisinin, özellikle katılım ve şerit birleşme noktalarının oluşturduğu çatışma baskısı.

Bu üç kaynak, ortak bir risk alanı içinde toplanır.

Şekil 1 Ne Anlatıyor?

Makaledeki Şekil 1, DRIFT’in genel çalışma hattını gösteriyor.

İlk bölümde araçların konumu, hızı, yönü, yol sınırları, şerit merkezleri ve statik/dinamik engeller alınır. Sonra bu bilgiler üç risk kaynağına dönüştürülür:

Araçların oluşturduğu risk,
görüş kapanmasıyla oluşan gizli tehlike,
birleşme bölgelerindeki topolojik çatışma riski.

Ardından bu kaynaklar PDE tabanlı bir risk iletim modeline girer. Sonuçta zamanla değişen dinamik bir risk alanı üretilir.

Şeklin ana mesajı şudur:

DRIFT, otonom sürüş riskini yalnızca araç listesi olarak değil, fiziksel olarak yayılan ve temizlenen bir yol alanı olarak ele alır.

Temel Formül Ne Anlatıyor?

Makaledeki ana risk alanı denklemi şu fikri taşır:

Risk değişimi = yayılma − akışla taşınma + yeni risk kaynakları − eski riskin sönmesi

Teknik formül sade biçimde şöyle anlatılabilir:

∂R/∂t = diffusion − advection + source − decay

Burada:

R, yol üzerindeki risk alanıdır.
Diffusion, riskin çevreye yayılmasını temsil eder.
Advection, riskin trafik akışı yönünde taşınmasını sağlar.
Source, araçlar, görüş kapanması ve birleşme bölgelerinden gelen yeni risk kaynaklarıdır.
Decay, artık desteklenmeyen eski riskin zamanla sönmesini sağlar.

Bu formülün öğretici tarafı şudur:

Model riski sabit bir görüntü gibi değil, zaman içinde akan, yayılan ve kaybolan bir alan gibi düşünür.

Diffusion: Risk Neden Yayılır?

Diffusion, yani yayılma terimi, riskin yalnızca tek bir noktada kalmamasını sağlar.

Gerçek trafikte bir aracın konumu kesin bir nokta gibi düşünülse bile, gelecekteki hareketinde belirsizlik vardır. Görüş kapanması durumunda bu belirsizlik daha da büyür. Bir kamyonun arkasında araç olabilir, olmayabilir; varsa hangi noktadan çıkacağı kesin değildir.

Diffusion bu belirsizliği uzamsal olarak yayar. Böylece risk sadece dar bir noktada değil, olası tehlike bölgesinde daha geniş bir alana yayılabilir.

Bu özellikle görüş kapanması senaryolarında önemlidir. Çünkü gizli aracın tam konumu bilinmez; riskin daha geniş bir gölge bölgesinde tutulması gerekir.

Advection: Risk Trafik Akışıyla Nasıl Taşınır?

Advection, yani taşınım terimi, riskin trafik akışı yönünde ilerlemesini sağlar.

Örneğin birleşme rampasında bir araç henüz ego araca çok yakın olmayabilir. Ama trafik akışı onu kısa süre sonra çatışma bölgesine getirebilir. Risk alanı yalnızca o anki konuma sabitlenirse bu tehlike geç fark edilebilir.

Advection terimi, tehlikenin yol ve trafik akışı boyunca “aşağı yönde” taşınmasına yardımcı olur. Bu sayede sistem, etkileşim noktası oluşmadan önce riskin geleceği bölgeleri daha erken işaretleyebilir.

Bu, DRIFT’in erken uyarı kabiliyetinin ana parçalarından biridir.

Decay: Risk Neden Temizlenmeli?

Risk alanı yalnızca artarsa, sistem geçmiş tehlikeleri uzun süre taşır ve yolun bazı bölgelerini gereksiz riskli göstermeye devam edebilir.

Decay, yani sönümleme terimi, artık desteklenmeyen riskin zamanla azalmasını sağlar. Örneğin bir kamyonun arkasındaki görüş kapanması ortadan kalktıysa ve orada araç olmadığı görüldüyse, risk hızla temizlenmelidir.

DRIFT’in önemli katkılarından biri, bu sönümleme hızını görüş kapanması geometrisiyle ilişkilendirmesidir.

Gölge alan büyüyorsa riskin birikmesine izin verilir.
Gölge alan küçülüyorsa risk daha hızlı temizlenir.

Bu sayede model hem dikkatli hem de gereksiz derecede paranoyak olmamaya çalışır.

Görüş Kapanması Nasıl Modelleniyor?

Makaledeki Şekil 2, highway merging yani otoyol birleşme senaryosunda görüş kapanması geometrisini gösterir.

Ego araç ana şeritte ilerler. Büyük bir kamyon veya treyler görüşü kapatır. Katılım şeridindeki başka bir araç bu kamyonun arkasında kalabilir. Ego araç bu gizli aracı doğrudan algılayamayabilir.

DRIFT bu durumda kamyonun arkasındaki gölge bölgeyi belirler ve bu alana gizli risk ekler. Bu, sistemin “görmüyorum, o halde tehlike yok” demesini engeller.

Bu yaklaşım özellikle otonom sürüşte önemlidir. Çünkü insan sürücüler de büyük araçların arkasından bir şey çıkabileceğini sezgisel olarak hesaba katar. DRIFT bu sezgiyi matematiksel bir risk alanı içinde temsil etmeye çalışır.

Occlusion Window Extraction Ne İşe Yarıyor?

Makale, görüş kapanması senaryolarını değerlendirmek için önce ham trafik kayıtlarından ilgili zaman aralıklarını çıkarıyor.

Bunun için ego aracın ön bölgesinde ağır sınıf bir araç, örneğin kamyon veya treyler, olup olmadığı kontrol ediliyor. Eğer böyle bir araç belirli bir ön seçim bölgesinde yer alıyorsa, o kare görüş kapanmasıyla ilgili kabul ediliyor.

Sonra bu kareler ardışık pencere gruplarına ayrılıyor ve her pencerenin başına-sonuna 2 saniyelik tampon ekleniyor.

Bu neden önemli?

Çünkü risk yalnızca kamyon tam önümüzdeyken değil, hemen öncesinde ve görüş açıldıktan hemen sonra da anlamlıdır. Modelin riskin nasıl biriktiğini ve nasıl temizlendiğini değerlendirmek için bu zaman aralığı korunur.

Yeni Değerlendirme Ölçütleri Neden Gerekli?

Makaleye göre klasik güvenlik ölçütleri risk alanlarını değerlendirmek için yetersiz kalabilir. Çünkü risk alanı yalnızca “çarpışma oldu mu?” sorusunu değil, “risk doğru yerde mi oluştu, doğru yöne mi yayıldı, zamanında mı belirdi ve zamanında mı temizlendi?” sorularını da içerir.

Bu nedenle DRIFT için alan tabanlı yeni ölçütler kullanılıyor.

LCRD:
Kayıtlı şerit değişimlerinin daha düşük riskli hücrelere doğru olup olmadığını ölçer. Yüksek olması, risk alanının sürücü davranışıyla daha uyumlu olduğunu gösterebilir.

TAI:
Risk alanının tehlikeli olaydan ne kadar önce uyarı verdiğini ölçer. Yüksek olması, daha erken risk sezgisi anlamına gelir.

RPR:
Bir olaydan sonra risk belleğinin ne kadar korunduğunu ölçer. Çok düşük olursa sistem riski hemen unutabilir; çok yüksek olursa eski risk gereksiz kalabilir.

OSI:
Görüş kapanması oranı arttığında risk alanının buna ne kadar duyarlı olduğunu ölçer.

ORL:
Gölge/görüş kapanması oluştuğunda risk alanının buna ne kadar gecikmeyle tepki verdiğini ölçer.

Temp.:
Risk alanının kareden kareye ne kadar kararlı olduğunu gösterir.

Bu ölçütler, risk alanını yalnızca çarpışma istatistiğiyle değil, davranış, yayılım ve görüş kapanması tepkisiyle birlikte değerlendirmeye çalışır.

Deneyler Nasıl Yapılmış?

Araştırmacılar DRIFT’i üç gerçek dünya trafik veri seti üzerinde değerlendiriyor:

exiD: Otoyol ve etkileşimli sürüş senaryoları.
rounD: Döner kavşak verileri.
inD: Kavşak verileri.

Tüm deneyler ortak bir kuşbakışı grid üzerinde yapılmış. Karşılaştırma için statik fizik tabanlı risk alanları ve dinamik veri güdümlü risk alanı yöntemleri kullanılmış.

Statik yöntemler çerçeve çerçeve risk hesaplar. Bu yüzden zaman belleği taşımazlar. Dinamik yöntemler ise riskin zaman içindeki değişimini daha fazla dikkate alabilir.

Tablo 2 Ne Gösteriyor?

Tablo 2, DRIFT’in birçok ölçütte karşılaştırma yöntemlerinden daha iyi sonuç verdiğini gösteriyor.

DRIFT’in raporlanan sonuçları şöyle:

LCRD: %89
RPR: 0,74
TAI: 0,41, yani yaklaşık +0,62 saniye erken uyarı
OSI: 0,52
ORL: 0,31 saniye
Görüş kapanması altında yakın çarpışma artışı: +%1,4
Temporal kararlılık: 0,91

RiskNet ile karşılaştırıldığında DRIFT’in LCRD değeri %82’den %89’a, TAI değeri 0,24’ten 0,41’e, ORL değeri 0,65 saniyeden 0,31 saniyeye iyileşiyor. Görüş kapanması altında yakın çarpışma artışı RiskNet’te +%3,5 iken DRIFT’te +%1,4 olarak raporlanıyor.

Bu tabloya göre DRIFT, hem sürücü davranışıyla daha uyumlu risk alanı üretiyor hem de görüş kapanması durumunda daha hızlı ve daha kararlı tepki veriyor.

Ancak bu sonuçlar seçilen veri setleri ve deney protokolü içinde değerlendirilmelidir.

Şekil 3 Ne Anlatıyor?

Şekil 3, rounD, inD ve exiD senaryolarında risk alanlarının görsel karşılaştırmasını gösteriyor.

Statik yöntemler genellikle görünen araçların ve yol geometrisinin çevresinde geniş ve bazen fazla genel risk bölgeleri oluşturuyor. DRIFT ise riski trafik akışı ve çatışma yönleri boyunca daha yapılandırılmış biçimde yayıyor.

Özellikle kamyon-treyler gibi büyük araçların oluşturduğu görüş kapanması durumunda DRIFT, riskin yalnızca sabit bir potansiyel gibi etrafa yayılmasından ziyade, olası trafik akışı ve birleşme çatışmaları boyunca iletilmesini sağlıyor.

Bu görselin sade mesajı şudur:

DRIFT, riskin nerede yüksek olduğunu değil, riskin zamanla nereye doğru taşınabileceğini de göstermeye çalışır.

Tablo 3 Ne Gösteriyor?

Tablo 3, DRIFT’in hangi PDE bileşeninden ne kadar fayda aldığını anlamak için yapılan ablation çalışmasını gösteriyor.

Sonuçlar şöyle:

Sadece kaynak terimleri:
TAI 0,08, RPR 0,51, OSI 0,35, ORL 0,95 s, Temp. 0,65

Diffusion eklendiğinde:
TAI 0,12, RPR 0,58, OSI 0,42, ORL 0,78 s, Temp. 0,72

Advection eklendiğinde:
TAI 0,35, RPR 0,66, OSI 0,44, ORL 0,62 s, Temp. 0,85

Tam model, decay ile:
TAI 0,41, RPR 0,74, OSI 0,52, ORL 0,31 s, Temp. 0,91

Bu tablo bize modelin parçalarını öğretici biçimde gösterir.

Diffusion, görüş kapanması belirsizliğini daha geniş alana yayarak OSI değerini artırıyor.
Advection, riski trafik akışı yönünde taşıyarak erken uyarı kapasitesini belirgin şekilde yükseltiyor.
Decay, eski riski temizleyerek en hızlı görüş kapanması tepkisini ve en yüksek zamansal kararlılığı sağlıyor.

Şekil 4 Ne Anlatıyor?

Şekil 4, aynı otoyol birleşme sahnesinde dört farklı risk alanı ayarını gösteriyor.

Sadece kaynak: Risk araçların ve çatışma bölgelerinin etrafında keskin kalıyor.
Diffusion eklenmiş: Risk daha yumuşak yayılıyor ama belirgin yön yapısı sınırlı.
Advection eklenmiş: Risk trafik akışı boyunca aşağı yöne taşınıyor ve bir “risk izi” oluşuyor.
Tam DRIFT: Risk hem yönlü biçimde yayılıyor hem de eski tehlike temizleniyor.

Bu görselin ana mesajı, PDE terimlerinin her birinin farklı bir işlev üstlendiğidir. DRIFT’in gücü tek bir risk kaynağından değil, kaynak, yayılma, taşınım ve sönümleme etkilerinin birlikte çalışmasından gelir.

Araştırma Ne Söylüyor?

Çalışmanın ana mesajı şudur:

Otonom sürüşte risk, yalnızca anlık ve ikili güvenlik ölçütleriyle değil, zamanla evrilen bir alan olarak modellenebilir.

DRIFT, bu alanı fizik tabanlı bir PDE ile günceller. Böylece risk; görünen araçlardan, görünmeyen potansiyel tehlikelerden ve yol topolojisinden gelen kaynaklarla beslenir. Sonra trafik akışıyla taşınır, belirsizlik nedeniyle yayılır ve artık desteklenmiyorsa temizlenir.

Deneyler, bu yaklaşımın özellikle görüş kapanması ve birleşme senaryolarında erken uyarı, davranış uyumu ve zamansal kararlılık açısından avantaj sağlayabileceğini gösteriyor.

Bu Neden Önemli?

Otonom araç güvenliğinde en zor konulardan biri, “görünmeyen ama mümkün olan” tehlikeleri yönetmektir. İnsan sürücü, kamyonun arkasından bir araç çıkabileceğini sezgisel olarak hesaba katabilir. Otonom araçların da benzer biçimde belirsizliği temkinli ama ölçülü şekilde değerlendirmesi gerekir.

Risk alanı yaklaşımı, otonom aracın karar sistemine yalnızca “şu araç burada” bilgisini değil, “şu bölge daha dikkatli yaklaşılmalı” bilgisini de verebilir.

Bu tür modeller gelecekte şerit değiştirme, birleşme rampası, kavşak geçişi, görüş kapanması, yoğun trafik ve karma sürüş ortamları için daha açıklanabilir risk haritaları üretilmesine katkı sağlayabilir.

Dikkat Edilmesi Gereken Noktalar

Bu çalışma önemli bir araştırma yönü sunsa da dikkatli okunmalıdır.

İlk olarak, çalışma arXiv sürümüdür ve makalede IEEE ITSC 2026 kabul bilgisi yer alsa da sonuçlar yine de deneysel bağlamda değerlendirilmelidir.

İkinci olarak, DRIFT gerçek trafikte doğrudan güvenlik garantisi vermez. Veri setleri ve seçilmiş senaryolar üzerinde test edilmiştir.

Üçüncü olarak, PDE parametreleri ayarlanabilir yapıdadır. Farklı trafik kültürleri, yol yapıları, sensör kalitesi ve araç davranışları için yeniden kalibrasyon gerekebilir.

Dördüncü olarak, görüş kapanması altında gizli risk varsayımları dikkatli yönetilmelidir. Fazla temkinli model gereksiz fren veya yavaşlama üretebilir; az temkinli model ise gizli tehlikeyi geç fark edebilir.

Beşinci olarak, yakın çarpışma oranı gibi ölçütler önemli olsa da gerçek güvenlik değerlendirmesi için simülasyon, kapalı saha testleri, gerçek araç testleri ve regülasyon süreçleri gerekir.

Son olarak, bu içerik sürüş güvenliği veya otonom araç tasarımı için profesyonel mühendislik tavsiyesi değildir.

Sonuç

DRIFT çalışması, otonom araçlarda risk değerlendirme için güçlü bir fikir sunuyor: Risk, yol üzerinde zamanla yayılan, taşınan ve temizlenen bir alan olarak modellenebilir.

Bu yaklaşım, özellikle kamyon gibi büyük araçların görüşü kapattığı ve birleşme şeritlerinde çatışma ihtimalinin arttığı senaryolarda daha anlamlı olabilir. Deneylerde DRIFT, seçilen karşılaştırma yöntemlerine göre sürücü davranışlarıyla daha uyumlu risk alanları üretmiş, daha erken uyarı sağlamış ve görüş kapanmasına daha hızlı tepki vermiştir.

Çalışmanın en önemli mesajı şudur:

Otonom sürüşte güvenlik, yalnızca görünen araca tepki vermek değil; görünmeyen riskin nereden gelebileceğini zamanında ve ölçülü biçimde tahmin etmektir.

Kaynak ve Yöntem Notu

Bu içerik, Zian Wang, Yiming Shu, Zejian Deng ve Chen Sun tarafından hazırlanan “DRIFT: Driving Risk Inference via Field Transmission for Human-like Autonomous Driving” başlıklı akademik çalışmadan yararlanılarak Verianla editoryal formatında özgün olarak hazırlanmıştır.

PDF üzerinde çalışmanın IEEE International Conference on Intelligent Transportation Systems 2026 tarafından kabul edildiği ve arXiv sürümünün bulunduğu belirtilmektedir. İçerik bilgilendirme ve eğitim amacı taşır. Otonom araç geliştirme, trafik güvenliği, mühendislik doğrulama, sürüş sistemi tasarımı veya profesyonel teknik danışmanlık yerine geçmez.