Geri Dön

A network-resilient and privacy preserving federated imitation learning framework for truck platooning

Kamyon konvoyları için ağ dayanıklılığı ve gizlilik koruyucu federatif taklit öğrenme çerçevesi

PDF İndir

  1. Tez No: 1018177
  2. Yazar: HALUK ÇAĞATAY KIR
  3. Danışmanlar: PROF. DR. ENVER ÖZDEMİR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Otomotiv Mühendisliği, Computer Engineering and Computer Science and Control, Automotive Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Akıllı Ulaşım Sistemlerinin (AUS) gelişimi, ağır vasıta konvoylarının (platooning) daha güvenli, daha yeşil ve daha sürdürülebilir nakliye ekosistemlerine katkıda bulunacağı bir gelecek vaat etmektedir. Araçların otomatik kontrol yoluyla yakın mesafede seyahat etmesini sağlayan bu sistemler, yakıt tüketimini önemli ölçüde azaltma ve genel yol güvenliğini artırma potansiyeline sahiptir. Günümüzde bu sistemlerin hayata geçirilmesi, Operasyonel Dayanıklılık ve Bilgi Bütünlüğü ile ilgili temel mimari zorlukların aşılmasını gerektirmektedir. Mevcut İşbirlikçi Uyarlanabilir Hız Sabitleyici (CACC) uygulamaları, veri toplama ve model güncelleme için ağırlıklı olarak merkezi bulut mimarilerine dayanmaktadır. Ancak bu merkezi paradigma kontrollü ortamlarda etkili olsa da, her yerde bulunan ve yüksek güvenilirlikli bağlantı varsayımına dayandığı için temelden kırılgandır. Özellikle uluslararası sınır geçiş güzergahlarında bu mimari bağımlılık, hem iletişim hem de yasal uyumluluk açısından zorluklar yaratabilmektedir. Uluslararası filolar, sınırları geçerken“dolaşım ölü bölgeleri”veya uyumsuz ağ altyapıları ile karşılaşarak merkezi sunucularla olan bağlantılarını kaybetmektedir. Merkezi bir makine öğrenmesi sisteminde yaşanan bu kopukluk, otonom modelin öğrenme ve yeni koşullara adapte olma yeteneğini geçici olarak durdurmaktadır. Bunun yanı sıra, yüksek boyutlu ham sensör verilerinin (örneğin konum ve kamera akışlarının) sınır ötesine sürekli iletimi, Avrupa Birliği'nin Genel Veri Koruma Tüzüğü (GDPR) gibi katı yasal çerçevelerle çelişerek veri egemenliği ihlallerine yol açabilmektedir. Bu tez çalışması, söz konusu hücresel iletişim ve veri gizliliği kısıtlamalarına bir çözüm sunmak amacıyla, kesintili ağ bağlantıları altında öğrenme sürekliliğini ve veri gizliliğini eşzamanlı olarak destekleyen Ağa Dayanıklı Federe Taklit Öğrenme (NR-FIL) çerçevesini önermektedir. Önerilen çerçeve, ham sensör verilerinin araç dışına çıkarılmasını önlemek ve veri egemenliğini sağlamak için Federe Öğrenme (FL) paradigmasını temel almaktadır. Bu yaklaşımda, ham veriler araç dışına çıkarılmaz; bunun yerine her bir kamyon kendi verisini işleyen bir uç düğüm (edge node) olarak hareket eder. Mimaride, klasik denklem tabanlı kontrolcüler yerine Taklit Öğrenmesi (Imitation Learning) kullanılarak, araçtaki yerel bir çok katmanlı yapay sinir ağı üzerinden güvenlik onaylı yerleşik CACC kontrolcüsünün davranışları modellenmiştir. Analitik kontrol mantığının öğrenilebilir bir sinirsel politikaya dönüştürülmesi, farklı araç dinamiklerine sahip filonun ham telemetri verilerini paylaşmadan kontrol stratejisini işbirliği içinde geliştirmesine ve araç dinamiklerine genelleştirmesine olanak tanıyan Federe Öğrenme'nin uygulanması mümkün hale gelir. Ağ kesintilerine karşı sistemin dayanıklılığını artırmak üzere“Depola-ve-İlet”(Store-and-Forward) adlı bir mekanizma tasarlanmıştır. Bu mekanizma sayesinde, araç hücresel bağlantıyı kaybettiğinde yerel olarak hesaplanan model güncellemeleri (gradyanlar) silinmeyerek aracın yerel belleğinde geçici olarak biriktirilmektedir. Güvenli bir ağ bağlantısı yeniden sağlandığında ise bu birikmiş güncellemeler asenkron olarak merkezi sunucuya iletilir. Bu sayede, sistem paket kaybı ve tam bağlantı kopukluğu durumlarında bile öğrenme etkinliğini korur. Geliştirilen bu çerçevenin performansı, mikroskobik trafik simülatörü SUMO ve araç dinamiklerinin gerçek zamanlı kontrolünü sağlayan Trafik Kontrol Arayüzü (TraCI) entegrasyonu ile oluşturulan bir simülasyon ortamında değerlendirilmiştir. Deneyler için Türkiye-Bulgaristan (Kapıkule) sınır koridoru, OpenStreetMap verileri kullanılarak gerçekçi yol geometrisi ve topolojisi ile modellenmiştir. Simülasyon senaryosu, 20 ağır vasıta kamyonunun katılımını, yolculuk boyunca süren yüzde onluk stokastik paket kayıplarını ve sınır geçişi sırasında yaşanan deterministik ağ kesintilerini içermektedir. Eğitim sürecinde araç içi hesaplama yükünü minimize etmek için yüksek boyutlu sensör verileri yerine; takip mesafesi, öz hız ve bağıl hızdan oluşan üç temel durum değişkeni kullanılmıştır. Araçların fiziksel güvenliğini tehlikeye atmamak adına yapay zeka modeli doğrudan aracı sürmek yerine“Gölge Modu”nda çalıştırılmış ve öngördüğü ivmelenme kararları sürekli olarak CACC sistemiyle karşılaştırılmıştır. Elde edilen deneysel bulgular, önerilen çerçevenin merkezi sistemlere kıyasla iletişim verimliliğini artırdığını ve öngörülebilir kesintiler altında sistemin çalışabilirliğini koruduğunu göstermektedir. İletişim verimliliği açısından, Federe Öğrenme yaklaşımı, merkezi taban hatlarına kıyasla iletişim yükünü azaltmıştır. Bu, ham telemetri verileri yerine yalnızca soyut model güncellemelerinin iletilmesiyle sağlanmıştır. Öğrenme algoritmalarının davranışı incelendiğinde, konvoy“ölü bölge”sırasında merkezle iletişimini kaybettiğinde yerel olarak öğrenmeye devam ettiği ve bağlantı koptuğunda bile performansın korunduğu gözlemlenmiştir. Dikkat çekici bir bulgu olarak, merkezi ortalamadan bağımsız çalışılan bu kopukluk dönemindeki yerel sürüş hata payının (yaklaşık 0.05 m/s²), normal bağlantı dönemindeki hata payından (yaklaşık 0.1 m/s²) daha düşük olduğu tespit edilmiş; bu durum yerel eğitimin çevresel özelleşmeye imkan tanıdığı şeklinde yorumlanmıştır. Bununla birlikte simülasyon sonuçları, sistemin iletişim açısından aşması gereken en büyük krizi ağın tamamen koptuğu anda değil, tam aksine gümrük geçişinin ardından ağ bağlantısının geri geldiği saniyelerde yaşadığını ortaya çıkarmıştır. Ölü bölge boyunca binlerce simülasyon adımı boyunca sadece kendi fiziksel durumlarına göre (non-IID) tamamen farklı tecrübeler edinen 20 farklı tırın yerel modeli, Depola-ve-İlet mekanizması aracılığıyla hücresel ağa ulaştığı an toplu olarak merkezi sunucuya iletilmiştir. Merkezdeki ana yapay zeka beyni birbirinden bu kadar uzaklaşmış (client drift) verileri saniyeler içinde ortalamaya çalışırken yapısı gereği küresel modelde belirgin ve anlık bir geçici dengesizlik oluşmuştur. Bilimsel veri analizinde“Yeniden Bağlanma Şoku”(Reconnection Shock) olarak isimlendirilen bu kritik fenomen, genel hata oranında (loss) keskin bir sıçramaya yol açmasa da, varyans ve kararsızlıkta belirgin bir artışa neden olmuştur. Bu durum, kararsızlığın tek bir noktada yoğunlaşmaktan ziyade dağıtıldığı bir“yumuşak yeniden bağlanma şoku”na işaret etmekte ve konvoyda kısa süreli bir otonom kontrol sapması ihtimali doğurmaktadır. Böylesine yüksek varyanslı bir şoka rağmen, sistemin kalbindeki Federe Ortalama (FedAvg) hesaplama algoritmasının yüksek adaptasyon ve esneklik kabiliyeti sayesinde merkezi model, yaklaşık 200 simülasyon adımı (20 saniye) içinde tolere edilmiş ve sistem kararlı duruma dönmüştür. Güvenlik ve konvoy stabilitesi analizleri, araçların genel olarak arzu edilen 35 metrelik güvenli takip mesafesini koruduğunu göstermiştir. Buna karşın, yerel modellerin merkezi modelden uzun süre kopuk kalmasının (model staleness) operasyonel bir sınırı olduğu tespit edilmiştir. Veriler, ağ kesintisinin 50 öğrenme turunu aşması halinde araçlar arası takip mesafesinde 5 metrenin altına inen tehlikeli ihlallerin ortaya çıkabileceğini göstermektedir. Bu bulgu, sınır geçişlerindeki ölü bölge sürelerinin operasyonel limitlerini ve güvenlik parametrelerini belirlemek açısından kritik bir metrik sunmaktadır. Sonuç olarak bu tez çalışması, veri gizliliği koruyan davranışsal klonlamanın sadece bir yasal uyumluluk aracı olmadığını, aynı zamanda uluslararası lojistiğin öngörülemez altyapısında operasyonel sürekliliği sağlamak için uygulanabilir bir yol olduğunu ortaya koymaktadır. Geliştirilen NR-FIL çerçevesi, ham veri paylaşımını engelleyerek GDPR gibi yasal zorunluluklara uyum sağlarken, bant genişliği kullanımını minimize etmekte ve ağ kesintilerine karşı dirençli, güvenli bir konvoy kontrolü sistemi önermektedir. Gelecekte yapılacak çalışmaların, bağlantının yeniden kurulduğu evrede gözlemlenen geçici kararsızlığı azaltmak üzere geliştirilmiş model sürüklenmesi (drift) düzeltme algoritmalarına ve farklı hava koşullarının otonom sürüş performansına etkilerine odaklanması öngörülmektedir.

Özet (Çeviri)

The enhancement of Intelligent Transportation Systems (ITS) aims to revolutionize freight logistics through heavy-duty vehicle platooning, promising significant reductions in fuel consumption and enhancements in road safety. However, the operational reality of international logistics presents a connectivity paradox. Cooperative Adaptive Cruise Control (CACC) systems generally rely on centralized cloud architectures. This creates a critical limitation for international logistics operations. Cross-border transit introduces predictable network dead zones. Furthermore, stringent data sovereignty regulations, such as GDPR, make continuous raw data transmission technically and legally unfeasible. This thesis addresses these challenges by proposing a Network-Resilient Federated Imitation Learning (NR-FIL) framework designed specifically for the intermittent connectivity of international transit routes. The proposed framework synthesizes Federated Learning (FL) with Imitation Learning (IL). Instead of transmitting sensitive raw telemetry to a central server, the system treats each truck as an edge node. A local neural network on each vehicle approximates the safety-verified onboard CACC controller. This transformation of analytical control logic into a learnable neural policy is a key enabler, as it enables the deployment of Federated Learning—allowing the fleet to collaboratively improve and generalize the control strategy across diverse vehicle dynamics without sharing raw telemetry. To handle network partitioning, a novel“Store-and-Forward”mechanism is introduced. This architecture buffers local gradient updates during periods of disconnection and transmits them asynchronously once a secure connection is restored, ensuring learning continuity without data loss. The framework was validated using a simulation environment built with SUMO (Simulation of Urban MObility) and the TraCI interface, modeling the real-world geometry of the Turkey-Bulgaria (Kapıkule) border corridor. The experimental setup involved a platoon of 20 heavy-duty trucks subjected to stochastic packet loss and deterministic network blackouts. The results demonstrate that the NR-FIL framework significantly outperforms centralized baselines in terms of communication efficiency. While the system effectively maintains global model convergence, the restoration of connectivity following a dead zone triggers a“Soft Reconnection Shock,”where the aggregation of divergent local models leads to increased variance rather than a sharp loss spike. However, the system recovers within approximately 200 simulation steps. Safety analysis reveals that while the system is robust, a model staleness threshold of 50 rounds exists, beyond which safety gaps may be compromised. Ultimately, this work confirms that privacy-preserving, decentralized learning with buffering mechanisms is a viable solution for ensuring operational continuity in the unpredictable infrastructure of international logistics.

Benzer Tezler

  1. Tez No

    51

    1985-1986 yıllarında Polatlı Devlet Hastanesine kaza nedeniyle başvuranların incelenmesi

    Başlık çevirisi yok

    FERHAN ŞENOL

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    İlk ve Acil YardımGazi Üniversitesi

    Kazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)

    DOÇ. DR. HİKMET PEKCAN

  2. Tez No

    151

    Devrelerin büyük işaret cevaplarının bilgisayar yardımıyla bulunması

    Başlık çevirisi yok

    NÜKHET GÜNEYİ

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    Elektrik ve Elektronik MühendisliğiUludağ Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ERGÜR TÜTÜNCÜOĞLU

  3. Tez No

    101

    Ulaş Sağlık Ocağı merkezinde nüfusun bazı niteliklerine ve konutların durumuna ilişkin bir çalışma

    An Investigation carried out at the Ulaş Public Health Centre concerning some characteristics of the population and housing conditions in the district of Ulaş

    EROL ŞANLI

    Doktora

    Türkçe

    Türkçe

    1985

    Halk SağlığıCumhuriyet Üniversitesi

    Halk Sağlığı Ana Bilim Dalı

    DOÇ. DR. SERVET ÖZGÜR

  4. Tez No

    201

    Çimentonun sertleşmesi üzerinde kimyasal komponentlerin etkisi

    Başlık çevirisi yok

    NACİYE TÜRKEL

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    Kimya MühendisliğiUludağ Üniversitesi

    Kimya Ana Bilim Dalı

    PROF. DR. MUSTAFA CEBE

  5. Tez No

    401

    Antakya tarihi ticaret merkezi mekansal yapı değişim ve gelişim sürecinin kent ticaret merkezi planlamasına etkinliği

    The Effectiveness of spatial structural chance and development period of the historical trade center of Antakya in the urban trade planning

    NEVİN TURGUT

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    Şehircilik ve Bölge PlanlamaGazi Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    YRD. DOÇ. DR. NURCAN UYDAŞ

Geri Dön