Bu çalışma, yoğun sisin otonom araçların algılama mesafesini kısaltması durumunda araçtan araca iletişim (Vehicle-to-Vehicle, V2V), Model Predictive Control (MPC) ve gelecekteki lider-araç hareketlerini saklayan predictive buffering yaklaşımının arkadan çarpışmayı önlemede ne ölçüde yararlı olabileceğini CARLA 0.9.11 simülasyonunda karşılaştırıyor. Dört senaryo inceleniyor: algı ve iletişimin bulunmadığı S1, sis nedeniyle bozulmuş LiDAR-radar algısının kullanıldığı S2, V2V destekli MPC'nin kullanıldığı S3 ve buna predictive buffer eklenen S4. Monte Carlo sonuçlarında S1 için %92,86 çarpışma ve 0,289 ± 0,117 s minimum TTC bildirilirken S2, S3 ve S4 için raporlanan çarpışma oranları %0'dır; ortalama minimum TTC değerleri sırasıyla 1,943 ± 3,538 s, 1,439 ± 2,287 s ve 1,929 ± 2,268 s'dir. Kaynağın genel yorumu, V2V tabanlı öngörünün ve özellikle predictive buffering'in daha erken ve daha yumuşak frenleme sağlayabildiği yönündedir. Ancak sonuçlar gerçek yol testi değil CARLA tabanlı boylamsal simülasyon sonuçlarıdır ve kaynak içindeki bazı istatistiksel/parametrik tutarsızlıklar nedeniyle “her koşulda güvenli” veya “bütün metriklerde üstün” biçiminde yorumlanmamalıdır.

Çalışmanın temel mühendislik fikri, sis altında yalnızca sensör menzilini artırmaya çalışmak yerine tehlike bilgisini görüş hattının ötesinden taşımaktır. Lider araç V2V mesajıyla konumunu, hızını, ivmesini ve isteğe bağlı olarak gelecekteki kısa süreli ivme planını ego araca iletir. Ego araç bu bilgiyi MPC'nin tahmin ufkuna yerleştirerek güvenli takip mesafesi kısıtını yerel LiDAR veya radar engeli güvenilir biçimde görmeden önce etkinleştirebilir. Predictive buffer ise kısa iletişim kesintilerinde son alınan gelecek-plan dizisinin ilerideki elemanlarını kullanmayı sürdürerek bu öngörünün hemen kaybolmasını engellemeyi amaçlar.

Yoğun sis otonom sürüşte hangi fiziksel problemi oluşturuyor?

Araştırmanın merkezindeki sorun yalnız görüntünün “bulanık” hale gelmesi değildir. Sis, sensör ile hedef arasındaki elektromanyetik veya optik sinyalin yayılımını değiştirerek algılanabilir mesafeyi azaltır. Araştırmacılar bunu yalnız CARLA'daki geometrik bir görüş kesme işlemi olarak değil, atmosferik sönüm üzerinden modellemeye çalışmaktadır.

Genel atmosferik sönüm Beer-Lambert ilişkisiyle ifade edilir:

\[ I(d)=I_0e^{-\beta d} \]

Burada \(I_0\) başlangıç sinyal şiddeti, \(I(d)\) d mesafesinden sonra kalan şiddet ve \(\beta\) atmosferik extinction katsayısıdır. Sensörün minimum algılama eşiği \(I_{\min}\) olduğunda etkili sis algılama mesafesi

\[ L_{\mathrm{fog}} = \frac{1}{\beta} \ln \left( \frac{I_0}{I_{\min}} \right) \]

olarak tanımlanır. Böylece \(\beta\) arttıkça, yani sis ağırlaştıkça, kullanılabilir algı ufku küçülür.

LiDAR, radar ve kamera sis altında aynı biçimde modellenmiyor

LiDAR için iki yönlü atmosferik yayılım nedeniyle alınan gücün yaklaşık olarak

\[ P_r(d) \propto \frac{1}{d^2}e^{-2\beta d} \]

ile azaldığı kabul edilir. Hem mesafeye bağlı geometrik kayıp hem gidiş-dönüş atmosferik sönüm, uzak hedeflerden gelen sinyalin sensör eşiğinin altına düşmesine yol açabilir.

Radar için kaynak, sisin etkisini doğrudan sert bir menzil kesintisi yerine ölçüm belirsizliğinin artmasıyla temsil eder:

\[ \sigma_r^2(d) = \sigma_0^2(1+\alpha\beta d). \]

\(\sigma_0^2\) nominal ölçüm varyansını, \(\alpha\) ise radarın atmosferik koşullara duyarlılığını temsil eden ayar parametresini gösterir. Bu modelde radar, aynı sis koşulunda LiDAR'dan daha geniş bir algı ufku koruyabilir ancak ölçüm belirsizliği artar.

Kamera için kullanılan atmosferik görüntü oluşum modeli ise

\[ I(x) = J(x)e^{-\beta d(x)} + A\left(1-e^{-\beta d(x)}\right) \]

şeklindedir. Burada \(J(x)\) gerçek sahne ışınımını, \(A\) atmosferik ışığı, \(d(x)\) ise görüntü noktasının derinliğini temsil eder.

Algılama gecikmesi neden çarpışma riskini hızla büyütüyor?

Çalışmada engelin sis nedeniyle ilk güvenilir algılandığı an \(t_{\mathrm{det}}\), ego araç ile lider araç arasındaki mesafenin etkili sensör ufkuna eşit hale geldiği an olarak tanımlanır:

\[ s_{\mathrm{obs}}(t_{\mathrm{det}}) - s_{\mathrm{ego}}(t_{\mathrm{det}}) = L_{\mathrm{fog}}. \]

Çarpışmaya kalan süre, yani Time-to-Collision (TTC),

\[ TTC(t) = \frac{ s_{\mathrm{obs}}(t)-s_{\mathrm{ego}}(t) }{ \max\{ \varepsilon, v_{\mathrm{ego}}(t)-v_{\mathrm{obs}}(t) \} } \]

olarak hesaplanır. Algılama, karar ve aktüatör gecikmelerinin toplamı \(t_{\mathrm{sys}}\) ise kullanılabilir reaksiyon penceresi

\[ \Delta t_{\mathrm{react}} = TTC(t_{\mathrm{det}}) - t_{\mathrm{sys}} \]

olur.

Sis \(L_{\mathrm{fog}}\)'u küçülttüğünde engel daha geç algılanır. Böylece \(t_{\mathrm{det}}\) ilerler ve frenlemeye başlandığında kalan TTC küçülür. Çalışmanın S1 ve S2 senaryolarındaki temel fiziksel mekanizma budur.

Frenlemenin fiziksel olarak mümkün olup olmadığı nasıl kontrol ediliyor?

Ego aracın hızı \(v_e\) ve izin verilen maksimum fren ivmesinin büyüklüğü \(a_{\max}\) ise ideal minimum fren mesafesi

\[ d_{\mathrm{stop}} = \frac{v_e^2}{2a_{\max}} \]

olarak modelleniyor.

Ancak algılama veya haberleşme gecikmesi sırasında araç ilerlemeye devam eder. Başlangıçtaki kullanılabilir mesafe \(d_0\), etkin gecikme \(t_{\mathrm{delay}}\) olduğunda frenleme başladığında kalan mesafe

\[ d_{\mathrm{available}} = d_0-v_et_{\mathrm{delay}} \]

olur. Çarpışmadan durabilmek için kaynak

\[ d_0-v_et_{\mathrm{delay}} \geq \frac{v_e^2}{2a_{\max}} \]

koşulunu kullanır.

Bu ifade çalışmanın temel savını açık biçimde gösterir: sensörün veya V2V mesajının birkaç yüz milisaniye daha erken tehlike bilgisi sağlaması, yalnız yazılımsal bir konfor iyileştirmesi değil, frenleme için fiziksel olarak kullanılabilecek mesafeyi de değiştirmektedir.

Dört senaryo arasındaki gerçek fark nedir?

V2V bilgisi MPC'ye nasıl giriyor?

S3'te lider araçtan gelen “hazard-ahead” mesajı ego araca engelin konumunu ve hızını, isteğe bağlı olarak da kısa bir gelecekteki yavaşlama planını sağlar. Kaynakta temel güvenli takip kısıtı

\[ s_{\mathrm{obs},k+i} - s_{k+i} \geq d_0 + T_{\mathrm{head}}v_{k+i}, \qquad i=1,\ldots,N \]

şeklindedir.

\(d_0\) sabit minimum mesafe, \(T_{\mathrm{head}}\) zaman tabanlı takip aralığıdır. V2V bilgisi erken ulaştığında MPC bu kısıtı sensörün lider aracı görmesini beklemeden etkinleştirebilir.

Predictive buffer yalnız son mesajı tutmaktan nasıl farklı?

S4'te lider aracın ilettiği mesaj yalnız mevcut ivmeyi taşımak zorunda değildir. Liderin kendi MPC'sinden elde edilen gelecek ivme dizisi de gönderilebilir:

\[ u^{V2V}(k) = [ u^{MPC}(k|k), u^{MPC}(k+1|k), \ldots, u^{MPC}(k+N_p-1|k) ]^T. \]

Ego araç bu diziyi yerel bir buffer içinde saklar. Son geçerli mesajdan sonra \(j\) MPC çevrimi geçmişse

\[ \hat u_{\mathrm{lead}}(k) = \begin{cases} u^{V2V}(k+j|k-j), & j<N_p,\\ \hat a_{\mathrm{lead}}(k), & j\geq N_p. \end{cases} \]

Kısa bir iletişim kesintisinde buffer, daha önce gönderilmiş geleceğe ait bir sonraki tahmini kullanır. Kesinti prediction horizon'dan uzun sürerse sistem kaynakta tanımlanan daha muhafazakâr extrapolation/fallback yaklaşımına geçer.

Bu tasarım Zero-Order Hold mantığından farklıdır: amaç yalnız son ölçülen ivmeyi sabit tutmak değil, mesaj ulaşırken zaten alınmış olan gelecek planını zaman içinde ilerleterek tüketmektir.

MPC neyi optimize ediyor?

Kaynakta boylamsal araç durumu

\[ x_k= \begin{bmatrix} s_k\\ v_k \end{bmatrix}, \qquad u_k=a_k \]

olarak tanımlanıyor ve sabit ivmeli ayrık model

\[ x_{k+1} = Ax_k+Bu_k \]

\[ A= \begin{bmatrix} 1&T_s\\ 0&1 \end{bmatrix}, \qquad B= \begin{bmatrix} \frac{1}{2}T_s^2\\ T_s \end{bmatrix} \]

ile kullanılıyor.

MPC amaç fonksiyonu hız hatasını, kontrol eforunu, jerk'i ve güvenlik slack değişkenlerini birlikte cezalandırır:

\[ J= \sum_{i=1}^{N} \left[ q_v(v_{k+i}-v^*)^2 + r_u u_{k+i-1}^2 + r_j(u_{k+i-1}-u_{k+i-2})^2 \right] + w_s \sum_{i=1}^{N} \xi_i^2. \]

Bunun yanında hız, ivme, jerk ve takip mesafesi kısıtları bulunur. Böylece MPC yalnız “çarpışma olmasın” hedefini değil, hız takibi ve frenleme konforunu da aynı optimizasyon içinde ele almaktadır.

Kaynakta verilen MPC varsayılanları

Denklem (26)'da kaynak şu varsayılan ayarları bildiriyor:

Ancak aynı çalışmanın Tablo 2'sindeki duyarlılık analizi “selected value” olarak hız ağırlığı 3, distance safety weight 10 ve maksimum deceleration −6 m/s² vermektedir. Kaynak, bu seçilmiş değerlerle Denklem (26)'daki varsayılan değerlerin hangi deneylerde ayrı ayrı kullanıldığını yeterince açık uzlaştırmadığı için burada iki parametrizasyon sessizce birleştirilmemiştir.

Çalışmanın desteklediği sonuçlar

• Sis nedeniyle algı geciktiğinde kullanılabilir frenleme ve TTC marjı ciddi biçimde küçülebilir.
• Çalışmanın CARLA simülasyonlarında algı ve V2V bulunmayan S1 yüksek çarpışma oranıyla sonuçlanmıştır.
• Bozulmuş LiDAR-radar kullanılan S2'de raporlanan geç algılamalar acil ve agresif frenleme gerektirmiştir.
• V2V destekli MPC, kaynak simülasyonlarında liderin frenlemesine yerel sensörden daha erken tepki verebilmiştir.
• S3 ve S4 için raporlanan Monte Carlo denemelerinde çarpışma oranı %0'dır.
• Predictive buffer, kısa V2V kesintileri sırasında daha önce alınmış gelecek ivme tahminlerini kullanarak öngörünün devam etmesini sağlamayı amaçlamaktadır.
• Kaynakta 120 ms yüksek gecikme ve 0,8 s haberleşme kesintisi altında V2V-MPC yaklaşımının temsilî simülasyonlarda çarpışmasız davranışı koruduğu gösterilmiştir.
• S4, S3'e kıyasla kaynakta daha yüksek ortalama minimum TTC ve daha düşük kontrol agresifliğiyle ilişkilendirilmiştir.

Çalışmanın desteklemediği veya kanıtlamadığı sonuçlar

• Çalışma gerçek yol koşullarında otonom araçların %100 güvenli olduğunu göstermemektedir.
• %0 çarpışma oranı yalnız incelenen simülasyon koşulları ve raporlanan denemeler için geçerlidir; genel trafik güvenlik garantisi değildir.
• Predictive buffering'in bütün iletişim gecikmesi ve paket kaybı düzeylerinde güvenliği koruduğu gösterilmemiştir.
• S4'ün her güvenlik metriğinde S2 ve S3'ten daha iyi olduğu kaynak sayılarıyla gösterilmemektedir; özellikle S2'nin raporlanan ortalama minimum TTC'si S4'ten çok az daha yüksektir.
• Çalışma eşzamanlı şerit değiştirme, yanal kaçış manevrası veya birleşik yanal-boylamsal optimizasyonu test etmemektedir.
• Yol eğimi, karma trafik, motosiklet/yaya etkileşimi, farklı araç dinamikleri ve çok şeritli trafik doğrudan değerlendirilmemiştir.
• DSRC/V2V mesajlarının gerçek radyo donanımı üzerinde sisli bir saha testinde ölçüldüğü gösterilmemiştir; haberleşme koşulları simülasyon/model varsayımlarıdır.
• CARLA sonucu gerçek araç fren sistemlerinin veya üretim düzeyindeki ADAS/CAV sistemlerinin sertifikasyonu anlamına gelmez.

Çalışmanın Yöntemi ve Bulguları

Simülasyon altyapısı

Deneyler CARLA 0.9.11 ve CARLA API kullanılarak gerçekleştirilmiştir. Haberleşme katmanı IEEE 802.11p temelli Dedicated Short-Range Communications (DSRC) mantığıyla modellenmiş; araçlar hız, ivme, yön, GPS konumu ve fren durumu gibi bilgileri paylaşmıştır.

Monte Carlo testlerinde hangi koşullar değiştirildi?

Dört senaryonun istatistiksel değerlendirmesinde kaynak şu başlangıç koşullarını rastgele değiştirdiğini bildiriyor:

• başlangıç araçlar arası mesafe: 15-40 m;
• ego araç başlangıç hızı: 70-100 km/h;
• sis görüş mesafesi: 15-30 m;
• lider aracın acil duruş başlangıcı: yaklaşık t=20 s.

Kaynak çeşitli bölümlerde 30 geçerli deneme bildirmekte veya CARLA spawn çakışmaları nedeniyle yalnız geçerli koşuların tutulduğunu belirtmektedir. Ancak özellikle S1'de bildirilen %92,86 çarpışma oranı ile “30 valid trials” ifadesi doğrudan aritmetik olarak uyuşmadığından gerçek efektif örnek sayısı kesin kabul edilmemelidir.

Dört senaryonun raporlanan istatistikleri

Bu tablo önemli bir nüansı ortaya çıkarır. Kaynağın genel sonuç sıralaması S4'ü en güvenli ve en konforlu yöntem olarak sunmaktadır; ancak yalnız ortalama minimum TTC'ye bakıldığında S2'nin 1,943 s değeri S4'ün 1,929 s değerinden 0,014 s daha yüksektir. Dolayısıyla S4'ün avantajı “en yüksek minimum TTC'ye sahip olması” biçiminde genellenmemelidir. Çalışmanın S4 lehine olan argümanı çarpışma durumu, frenleme biçimi, jerk, iletişim kesintilerindeki davranış ve öngörü sürekliliğinin birlikte değerlendirilmesine dayanmaktadır.

S1: Bilgi yoksa ne oluyor?

Temsilî S1 koşusunda ego araç yaklaşık 84 km/h civarında ilerlerken lider araç t≈20 s civarında duruyor. Ego araç lideri algılamadığı için hızını önemli ölçüde azaltmıyor ve TTC yaklaşık t≈23 s'de sıfıra inerek arkadan çarpışmayla sonuçlanıyor.

Monte Carlo bölümünde 0,289 ± 0,117 s ortalama minimum TTC ve %92,86 çarpışma oranı bildirilmiştir. Bu değerler, çalışmanın en açık güvenlik başarısızlığı örneğini oluşturur.

Bununla birlikte S1 metodoloji tanımı “no perception and no V2V” olmasına rağmen aynı Monte Carlo paragrafında ego aracın “onboard perception” kullandığı yazılmıştır. Bu kaynak içi ifade farkı nedeniyle S1'in tanımı ana metodoloji kısmındaki dört-senaryo sınıflandırmasına göre korunmuştur.

S2: Sensörler çarpışmayı önlüyor ama neden hâlâ problem var?

S2'de LiDAR ve radar mevcuttur fakat sis nedeniyle etkili algılama mesafesi küçülmüştür. Temsilî koşuda lider araç ancak kalan mesafe iyice azaldığında algılanır ve ego araç maksimuma yakın acil frenlemeyle durur.

Kaynak 30 geçerli rastgele koşuda %0 çarpışma bildirmektedir. Bu nedenle S2'nin “sık çarpışan perception-only sistem” şeklinde anlatılması doğru olmaz. Çalışmanın kendi ayrıntılı sonucuna göre S2'nin problemi çarpışma sayısından ziyade geç algılama, düşük güvenlik marjı, yüksek fren ivmesi ve jerk olarak sunulmaktadır.

S2 için raporlanan minimum TTC 1,943 ± 3,538 s'dir ve %95 güven aralığı [0,152; 3,733] s'dir. Çok büyük standart sapma, farklı rastgele koşullar arasında performansın geniş ölçüde değiştiğini göstermektedir.

S3: V2V tehlikeyi sensörden önce bildirirse ne değişiyor?

S3'te lider aracın frenleme bilgisi V2V aracılığıyla ego araca ulaştığı için MPC yerel sensörün engeli teyit etmesini beklemeksizin gelecek güvenlik kısıtlarını etkinleştirebilir. Kaynağın CARLA sahnesinde bu, daha erken ve daha kademeli hız azaltımı olarak görülmektedir.

Monte Carlo testlerinde %0 çarpışma ve 1,439 ± 2,287 s minimum TTC rapor edilmiştir.

Araştırmacılar V2V-MPC'yi ayrıca iki iletişim bozulması altında test etmiştir:

• yüksek gecikme: 120 ms;
• geçici iletişim kesintisi: 0,8 s.

Şekil 9 ve 10'da normal V2V, yüksek gecikme ve blackout koşullarında lider ve ego araç hızları ile TTC karşılaştırılmıştır. Gecikme arttıkça ego aracın tepkisi daha geç başlamakta ve TTC minimumu düşmektedir. Özellikle blackout durumunda TTC kritik bölgeye daha fazla yaklaşmasına rağmen temsilî simülasyon çarpışmasız tamamlanmaktadır.

Şekil 11 MPC'nin neden daha agresif hale geldiğini gösteriyor

Çalışmada normal V2V, yüksek gecikme ve iletişim blackout koşulları için MPC maliyet bileşenleri ayrıca çizilmiştir. Lider frenlemeye başladığında hız izleme maliyeti ile mesafe/güvenlik maliyeti yükselir. Haberleşme daha geç veya kesintili olduğunda kontrolcü tehlikeyi daha geç telafi etmek zorunda kaldığı için maliyet tepe değerleri ve kontrol eforu büyür.

Bu sonuç, yalnız “çarpıştı/çarpışmadı” metriğinin sürüş kalitesini açıklamak için yeterli olmadığını göstermektedir. Aynı çarpışmasız sonuç, farklı frenleme sertliği ve yolcu konforuyla elde edilebilir.

S4: Predictive buffer ne kazandırıyor?

S4'te liderin gelecekteki kısa süreli ivme dizisi önceden ego araçta saklanır. Bu nedenle tek veya birkaç mesaj kaybolduğunda ego araç yalnız son alınan anlık veriye bağlı kalmaz; planın bir sonraki tahminini kullanmaya devam eder.

Temsilî hız grafiğinde ego araç liderin sert frenlemesini beklemeden hızını azaltmaya başlar. Şekil 15'te araçlar arası mesafe yaklaşık 50 m seviyesinden düşerken sıfıra yaklaşmaz ve her iki araç durduğunda yaklaşık 40 m civarında temsilî bir mesafe korunur. Bu sayı tek koşuya ait grafikten görülmektedir ve Monte Carlo genel sonucu olarak kullanılmamalıdır.

S4 Monte Carlo değerlendirmesinde %0 çarpışma, 1,929 ± 2,268 s ortalama minimum TTC ve [0,782; 3,077] s %95 güven aralığı rapor edilmiştir.

Kaynak S4'ün minimum TTC'yi S3'e göre artırdığını ve fren agresifliğini azalttığını belirtmektedir. S3'te 1,439 s olan ortalama minimum TTC'nin S4'te 1,929 s'ye yükselmesi bu karşılaştırmayla uyumludur. Ancak S2'nin 1,943 s ortalaması S4'ten çok az daha yüksek olduğu için “S4 bütün senaryolar içinde en yüksek minimum TTC'ye sahiptir” ifadesi sayısal olarak kullanılmamalıdır.

İstatistiksel ifadelerde neden dikkatli olunmalı?

S2-S4'te TTC standart sapmalarının ortalamalara kıyasla oldukça büyük olması, denemeler arasındaki dağılımın geniş olduğuna işaret eder. Bu nedenle 1,943 s ile 1,929 s gibi çok küçük ortalama farklar yöntemler arasında anlamlı üstünlüğün kanıtı olarak ele alınamaz.

Ayrıca S4 için kaynak bazı bölümlerde TTC'nin “consistently above safety thresholds” kaldığını ifade eder. Ancak aynı bölümde minimum TTC ortalaması 1,929 s ve %95 güven aralığının alt sınırı 0,782 s olarak raporlanmıştır. Şekil 10'da kullanılan kritik eşik yaklaşık 2 s olduğundan, bu ifade en güvenli biçimde temsilî S4 trajektorisine uygulanmalıdır; bütün Monte Carlo örnekleri için kesin genelleme yapılmamalıdır.

MPC parametre duyarlılığı

Kaynak ayrıca tahmin ufku, hız ağırlığı, güvenlik mesafesi ağırlığı ve maksimum fren ivmesini değiştirerek bir duyarlılık analizi raporlamaktadır:

Bu tablo ile kaynakta Denklem (26)'da sunulan varsayılan \(q_v=1\), \(w_s=2\) ve \(a_{max}=4~m/s^2\) ayarlarının birebir aynı nihai parametrizasyonu temsil edip etmediği açık değildir. Bu nedenle Verianla içeriğinde seçilmiş parametreler varsayılanların yerine sessizce geçirilmemiştir.

Çalışmanın güçlü yanı nedir?

Çalışmanın önemli yönü, sis etkisini yalnız görsel bir CARLA efekti olarak bırakmaması; algılama ufku, LiDAR sönümü, radar belirsizliği, reaksiyon penceresi, fiziksel durma mesafesi, V2V zamanlaması ve MPC güvenlik kısıtlarını aynı karşılaştırmalı çerçevede birleştirmesidir.

Ayrıca dört senaryonun aynı genel simülasyon mantığında karşılaştırılması, “daha iyi sensör” ile “görüş hattının ötesinden erken bilgi” arasındaki farkı açık hale getirir. Predictive buffer yaklaşımı da V2V'nin yalnız anlık mesajlaşma değil, kısa vadeli hareket niyetinin paylaşılması biçiminde kullanılabileceğini göstermektedir.

Başlıca sınırlılıklar

• Çalışma yalnız boylamsal araç takibi ve arkadan çarpışma problemine odaklanmaktadır.
• Gerçek yol ve gerçek üretim aracı testi bulunmamaktadır.
• CARLA'daki sis-sensör eşleştirmesinin gerçek sensör çeşitliliğini ne ölçüde temsil ettiği ayrıca saha verisiyle doğrulanmamıştır.
• Çok şeritli, yanal kaçışlı ve yoğun karma trafik senaryoları incelenmemiştir.
• Road grade ve heterojen araç davranışları dahil edilmemiştir.
• İletişim koşulları orta düzey gecikme ve paket kaybıyla sınırlandırılmıştır; çok daha ağır ağ bozulmaları farklı sonuç verebilir.
• Kaynakta raporlanan bazı Monte Carlo yüzdeleri, güven aralıkları ve senaryo tanımlarında iç tutarlılık sorunları bulunmaktadır.
• S2-S4 TTC dağılımlarının geniş olması, yalnız ortalama değerlerle yöntem sıralaması yapılmasını zayıflatmaktadır.

Kaynak ve Yöntem Notu

Özgün çalışma: Fog & V2V: A CARLA-Based Comparative Study of No Perception, Degraded Sensors, and Cooperative Alerts with MPC-Based Collision Avoidance

Yazarlar: Hamza El Yanboiy; Mohammed Chaman; Mohammed Bouabdellaoui; Adam Khechchab; Youssef El Merabet.

Sorumlu yazar: Hamza El Yanboiy.

Eş katkı/eş birinci yazarlık: Kaynakta böyle bir beyan bulunmamaktadır.

Afiliyasyonlar: Laboratory of Electronic Systems, Information Processing, Mechanics and Energetics, Ibn Tofail University, Kenitra, Morocco; Doctoral Studies Center (CEDoc), Sciences, Engineering and Sustainable Development (SIDD), Private University of Fes, Fes, Morocco.

Akademik editör: Xiaohua Ge.

Kaynak türü: Hakemli araştırma makalesi; mühendislik simülasyonu ve kontrol/modelleme çalışması.

Dergi: Vehicles.

Cilt / sayı / makale numarası: 8 / 5 / 97.

DOI: 10.3390/vehicles8050097

Yayınevi: MDPI, Basel, Switzerland.

Yayın süreci: Alınma 5 Şubat 2026; revizyon 6 Nisan 2026; kabul 9 Nisan 2026; yayın 1 Mayıs 2026.

Resmî bağlantı: DOI kayıtlı MDPI Vehicles makale sayfası.

Açık erişim/lisans: Creative Commons Attribution (CC BY) lisansı altında açık erişim.

Finansman: Yazarlar araştırmanın harici finansman almadığını bildirmektedir.

Veri erişilebilirliği: Yazarlar çalışmanın özgün katkılarının makale içinde bulunduğunu, ek soruların sorumlu yazara yöneltilebileceğini belirtmektedir. Ayrı bir açık ham simülasyon veri deposu kaynakta verilmemiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmektedir.

Yazar katkıları: Conceptualization: Mohammed Bouabdellaoui ve Youssef El Merabet; Methodology: Hamza El Yanboiy ve Mohammed Chaman; Software: Hamza El Yanboiy ve Adam Khechchab; Validation: Hamza El Yanboiy ve Mohammed Bouabdellaoui; Formal analysis: Hamza El Yanboiy; Resources: Mohammed Bouabdellaoui; Data curation: Mohammed Chaman; Writing—original draft: Hamza El Yanboiy; Writing—review & editing: Hamza El Yanboiy, Mohammed Chaman, Mohammed Bouabdellaoui ve Youssef El Merabet; Supervision: Mohammed Chaman ve Youssef El Merabet.

Deneysel ortam: CARLA 0.9.11, Python 3.10, Intel Core i7-12700H, 32 GB RAM, NVIDIA GeForce RTX 3060 ve Windows 11 Pro kullanılmıştır. Haberleşme DSRC/IEEE 802.11p mantığıyla modellenmiştir.

Bilimsel yorum sınırı: Sonuçlar simülasyona dayalıdır. Gerçek araç, gerçek sis odası veya kamuya açık yol testi ile doğrulanmış saha güvenlik sertifikası değildir. Özellikle %0 çarpışma sonucu yalnız kaynakta incelenen rastgeleleştirilmiş CARLA senaryolarına aittir.

Kaynak içi S1 tutarsızlığı: S1 ana metodolojide “no perception and no V2V” olarak tanımlanırken istatistik bölümünde ego aracın onboard perception kullandığı yönünde farklı bir ifade bulunmaktadır. Ayrıca 30 geçerli deneme iddiası ile %92,86 çarpışma oranı basit oran hesabında tam uyuşmamaktadır.

Kaynak içi özet/S2 ayrımı: Özetin “perception-only strategies” ifadesiyle ilişkilendirdiği yaklaşık 0,29 s TTC ve sık çarpışma sonucu ayrıntılı metinde algının bulunmadığı S1'e karşılık gelmektedir. Degraded LiDAR-radar kullanılan S2 için çalışmanın ayrıntılı Monte Carlo sonucu %0 çarpışmadır.

Kaynak içi S4 TTC sınırı: S4'ün bazı açıklamalarında TTC'nin güvenlik eşiklerinin sürekli üzerinde kaldığı ifade edilmektedir; buna karşılık S4 Monte Carlo minimum TTC ortalaması 1,929 ± 2,268 s ve %95 güven aralığı [0,782; 3,077] s olarak raporlanmaktadır. Bu nedenle “her rastgele koşuda eşik üstü” sonucu çıkarılmamıştır.

Kaynak içi senaryo sıralaması: S4, kaynak tarafından en yüksek genel güvenlik/konfor düzeyiyle ilişkilendirilse de ortalama minimum TTC S2'de 1,943 s, S4'te 1,929 s'dir. Bu nedenle genel üstünlük yalnız TTC ortalamasına dayandırılmamıştır.

Kaynak içi MPC ayarı: Denklem (26)'daki varsayılan ağırlık ve fren parametreleri ile Tablo 2'deki duyarlılık analizinin seçilmiş değerleri aynı değildir ve kaynak bu iki ayar kümesini açık biçimde uzlaştırmamaktadır.

Terminoloji notu: Kaynağın bir bölümünde MPC yanlışlıkla “Motion Planning Control” şeklinde açılmıştır; makalenin başlığı, yöntem bölümü ve denklemler bağlamında kullanılan terim Model Predictive Control'dür. Kaynak hatası gerçek bilimsel model değiştirilmeden burada açıkça belirtilmiştir.

Kaynak sadakati: Bu Verianla içeriğindeki bilimsel model, formüller, senaryo koşulları, sayısal sonuçlar, CARLA ayarları, sınırlılıklar ve kaynak içi tutarsızlıkların tamamı yüklenen 32 sayfalık çalışmadan alınmıştır. Dış kaynaklar yalnız bibliyografik yayın kimliği, DOI, tarih ve lisans doğrulaması için kullanılmıştır.

Türkiye bağlamı: Çalışma Fas'taki araştırma kurumları tarafından yürütülmüş CARLA tabanlı bir simülasyondur ve Türkiye trafik altyapısı üzerinde test edilmemiştir. Türkiye'ye uygulanabilirliğin değerlendirilmesi için yerel yol geometrileri, araç filosu, trafik davranışı, haberleşme altyapısı, V2X spektrum/standart uygulamaları, sis yoğunluk dağılımları ve mevzuat koşullarıyla ayrı doğrulama gerekir; kaynak sonuçları doğrudan Türkiye güvenlik performansı olarak aktarılamaz.