Algılama

1 Kapsam ve Görev Gerekleri

Bu belge Atılım UAV Team'in algılama yığınını anlatıyor: görüntüleme donanımı, nesne tespit hattı, havadan haritalama hattı, entegrasyon testlerinde kullandığımız simülasyon ortamı ve görüntü uzayındaki bir tespiti dünya çerçevesindeki bir teslimat waypoint'ine bağlayan hedef coğrafi konumlama zinciri.

Aşağıdaki her tasarım kararını iki SUAS 2026 görev öğesi belirliyor. Risk Mapping (risk haritalama), arama alanının coğrafi referanslı bir ortomozaiğini istiyor. Search-Detect-Deliver (ara-tespit et-teslim et) ise İHA'nın arama sınırı içinde bir manken ile bir kurulu pop-up çadır bulmasını, mankene su şişesi, çadıra çakar işaretçi bırakmasını istiyor — üstelik tüm bunlar 150 ft AGL alt sınırının üzerinde kalınarak.

Bundan sonrasını bu iki gereksinim şekillendiriyor: optiğin hangi irtifaya göre boyutlandırıldığı, kamera seçimi ve işlem gücünün uçak ile yer istasyonu arasındaki paylaşımı.

2 Görüntüleme Donanımı ve İşlem Gücü

Yanıtladığımız ilk soru, bir hedefin planlanan görev irtifasından fiziksel olarak çözümlenip çözümlenemeyeceğiydi. SUAS 150 ft AGL (45.7 m) alt sınırı dayatıyor; görev irtifamız ise bu sınırın rahatça üzerinde, 50 m (164 ft) AGL olarak belirlendi. Aşağıdaki her optik karar bu 50 m nadir geometrisine göre boyutlandırıldı.

Kamera, Şekil 1'de görülen SIYI A8 mini 3 eksenli gimbal ünitesi. Üzerinde 8 MP etkin çözünürlüklü 1/1.7 in Sony sensör, F2.8 diyaframlı sabit 21 mm eşdeğer lens ve 81° yatay / 93° diyagonal görüş alanı var; 95 g ağırlığında ve ortalama 5 W çekiyor [7]. Çıkışını Ethernet üzerinden veriyor; aynı anda iki bağımsız akış çekebilmemizi sağlayan da bu Ethernet çıkışı — bu ünitenin listemizdeki alternatifleri geride bırakmasının nedeni tam olarak bu.

2.1 50 m görev irtifasında yer kapsama alanı ve hedef üzerine düşen pikseller

50 m görev irtifasında ve A8 mini'nin 81° yatay görüş alanında, tam açı (unity zoom) tek karede yaklaşık 85 m genişliğinde bir zemini kapsıyor — bu da tam sınır taramasının yalnızca 15–20 kare sürmesine yetecek kadar geniş — 3x dijital yakınlaştırma ise 4K sensörü kırparak bu görüş alanını tespit ve terminal güdüm için daraltıyor. Bu kapsama alanını çıkış çözünürlüğüne bölmek yer örnekleme aralığını (GSD) veriyor; hedefin fiziksel boyutuyla çarpmak da hedefin kaç piksele yayılacağını. Genel olarak, hedef düzleminin h kadar üzerinde ve N_h piksel genişliğindeki bir kare için:

W_ground = 2h tan(HFOV / 2), GSD = W_ground / N_h (1)

Tablo 1, Denklem 1'i 50 m görev irtifasında iki yakınlaştırma ayarının her ikisi için de tek tek işletiyor.

Tablo 1. A8 mini'nin tam açı ve 3x dijital yakınlaştırma ayarları için 50 m nadirde yer örnekleme aralığı ve hedef üzerine düşen piksel sayısı. Tam açı, güvenilir manken tespiti için fazla kaba; tasarımı kısıtlayan, tespit ve terminal güdümde kullanılan 3x ayarı.

Ayar	Çözünürlük / HFOV	GSD @ 50 m	Manken (~1.7 m)	Çadır (~2.0 m)
Tam açı (haritalama)	1920 × 1080, 81° HFOV	44.5 mm/px	~38 px	~45 px
3x yakınlaştırma (tespit / terminal güdüm)	1920 × 1080, 31.8° HFOV	14.8 mm/px	~115 px	~135 px

Tablo 1'den çıkardığımız sonuç bütün hattı şekillendirdi. Tam açıda bir manken yalnızca yaklaşık 38 piksel genişliğinde — güvenilir tespit için fazla kaba. Üstelik bu değer, mankenin çalı ya da araçlarla kısmen örtülmek yerine tamamen açıkta olduğunu varsayıyor; SUAS el kitabı örtülme olabileceği konusunda açıkça uyarıyor [1]. 3x yakınlaştırma bu değeri yaklaşık 115 piksele çıkarıyor; tespit ve terminal güdümde operasyonel olarak kullanılan ayarın bu olmasının nedeni de bu.

Yakınlaştırma ayarları arasındaki bu GSD farkı, bir işlem gücü ödünü değil bilinçli bir tasarım tercihi: tam açı, geniş zemin kapsamının ince çözünürlükten daha önemli olduğu Risk Mapping taramasında kullanılıyor; 3x ayarı ise karedeki hedef boyutunun önemli olduğu tespit ve terminal güdüm için ayrılmış durumda.

Yukarıdaki 50 m, dedektörle veri setinin boyutlandırıldığı görev irtifası. Bölüm 7'de anlatılan saha doğrulaması önce erken denemeler için bilinçli bir güvenlik ve lojistik tercihi olarak 20 m AGL'de uçuruldu, ardından karşılaştırılabilir tespit güveni ve teslimat doğruluğuyla tam 50 m görev irtifasında tekrarlandı. Her iki irtifa da Tablo 1'in 3x yakınlaştırmada ima ettiği çözümlenebilir aralığın rahatça içinde kalıyor.

2.2 İşlem gücü ve bağlantı

Tespit, uçakta taşınan NVIDIA Jetson Orin NX 16 GB üzerinde koşuyor. Video, yer istasyonuna SIYI HM30 bağlantısıyla ulaşıyor; bu bağlantı aynı zamanda MAVLink telemetri akışını da taşıyor. Uçuş kontrolü bir Cube Orange Plus'ta; yanında CUAV Neo3 Pro GNSS alıcısı var. Neo3 Pro tasarım gereği bağımsız (standalone) bir alıcı — sistem RTK'ya ya da bir yer düzeltme bağlantısına bağımlı değil; böylece waypoint seyrüseferi ve bırakma konumlandırması böyle bir bağlantı olmadan da kullanılabilir kalıyor. Yer kontrol istasyonu olarak Mission Planner kullanılıyor. Tablo 2, her öğenin algılamaya ne kattığını listeliyor.

Tablo 2. Algılama donanım zinciri ve her öğenin rolü. Uçuş kontrolcüsü ile GNSS alıcısı burada yalnızca duruş ve konum kaynağı olarak görünüyor; oysa Bölüm 6'daki coğrafi konumlama dönüşümünün ihtiyaç duyduğu beş girdinin ikisini onlar sağlıyor.

Bileşen	Seçim	Algılama yığınındaki rolü
Kamera / gimbal	SIYI A8 mini	Stabilize nadir RTSP görüntüsü
Video bağlantısı	SIYI HM30	Canlı operatör görüntüsü ve MAVLink telemetri taşıması
Uçak üstü işlem gücü	Jetson Orin NX 16 GB	Gerçek zamanlı YOLO11m çıkarımı, MAVLink komut gönderimi
Uçuş kontrolcüsü	Cube Orange Plus	Seyrüsefer ve coğrafi etiketleme için duruş, yönelme kaynağı
GNSS	CUAV Neo3 Pro (bağımsız)	Hedef coğrafi konumlama için bağımsız uçak konumu, yer düzeltme bağlantısı gerekmez
Yer kontrol istasyonu	Mission Planner	Görev yükleme, telemetri, operatör gözetimi

A8 mini'den gelen tek bir RTSP akışı, uçak üstündeki bir SwitchBlox ağ anahtarı tarafından her iki hedefe de dağıtılıyor: kuyruklama gecikmesini önlemek için yalnızca en güncel kareyi işleyen Jetson'a, ve operatörün canlı görüntüsünü ve FastMosaic haritalama hattını besleyen HM30 üzerinden yer istasyonuna. Codec H.265 — önce H.264 denendi ve kararsız bir akış üretti.

3 Nesne Tespiti

Model seçmeden önce SUAS 2025'te yarışan takımların Teknik Tasarım Raporlarını inceledik; ne kullandıklarını, hangi veriyle eğittiklerini ve hatlarının gerçek zamanlı çalışıp çalışmadığını karşılaştırdık. Tablo 3 bu taramayı özetliyor; beş rapordan yalnızca Alexandria University raporunun [2] tam künyesi elimizde.

Tablo 3. SUAS 2025'teki takımların kendi Teknik Tasarım Raporlarında bildirdiği tespit yaklaşımları. Gerçek zamanlı olarak bildirilen her giriş bir YOLOv11 türevi; gerçek zamanlı olmayan iki giriş ise RF-DETR ve DINOv2 + DETR hatları.

Takım	Model	Veri seti	Gerçek zamanlı	Ödünleşim
Alexandria Univ.	RF-DETR	%100 sentetik	Hayır	Küçük nesnelerde güçlü, eğitimi pahalı
Ohio State	DINOv2 + DETR	Gerçek + sentetik	Hayır	En yüksek mAP, en yüksek gecikme
King Fahd Univ.	YOLOv11	AirSim + gerçek	Evet	Dengeli FPS/doğruluk, küçültmede detay kaybı
Hacettepe (Markut)	YOLOv11	%30 sentetik + %70 gerçek	Evet	İyi genelliyor, daha az sofistike
KAAN Tech	YOLOv11m	COCO + görev nesneleri	Evet	Düşük maliyet, daha zayıf konumlama

YOLO11m'i, yani medium varyantını seçtik. Belirleyici etkenler gömülü hedef üzerinde gerçek zamanlı çalışabilme, kabul edilebilir bir FPS/doğruluk dengesi ve açık ara en geniş araç, dışa aktarma yolu ve topluluk kaynağı bolluğuydu — hızlı hata ayıklamak zorunda olan bir öğrenci takımı için bu önemli [3]. İlk denemeler performansı sınırlayan etkenin ağ kapasitesi değil veri seti çeşitliliği olduğunu gösterdi; bizi daha büyük bir modele yönelmek yerine Bölüm 3.1'deki veri üretimi çalışmasına iten de bu oldu. Alternatif olarak hem P2 tespit kafası hem de çift modelli topluluk (ensemble) değerlendirildi ve ikisi de elendi: iki sınıflı bir tespit probleminde hiçbiri getirdiği ek hesap yükünü hak etmiyordu.

3.1 Veri seti

Veri seti Roboflow'da yönetiliyor ve şu an iki görev sınıfında — manken ve çadır — 16,015 görüntü barındırıyor. Yalnızca toplanmış değil, kurgulanmış bir set: birden çok Roboflow projesi birleştirildi, yinelenen görüntüler dosya adı ve algısal karma (perceptual hash) karşılaştırmasıyla ayıklandı ve on beş özgün kaynak sınıfı ihtiyacımız olan ikiye indirildi. Araç ile ilgili sınıflar tamamen atıldı; manken ile çadır örnekleri arasında ortaya çıkan dengesizlik de çadır görüntüleri fazladan örneklenerek azaltıldı. Üç tür kaynak görüntüden besleniyor: ölçek, bakış açısı ve arka plan çeşitliliği sağlayan halka açık hava görüntüleri; kampüs ve park arazisi üzerinde çektiğimiz kendi manken drone çekimlerimiz; ve nesne görünümünü sabitleyen yakın mesafe stüdyo manken görüntüleri. Şekil 2 projenin bugünkü halini gösteriyor.

Gerçek görüntü toplama uçuşu 19 Mayıs 2026'da yapıldı. Mankenler çim, çakıl, kaplama ve çıplak toprak üzerine, el kitabının beklememizi söylediği pozlarda — yatar, oturur, yüzüstü — yerleştirildi ve eğitimdeki görünür hedef boyutu yarışmadakiyle örtüşsün diye yarışmayı temsil eden irtifadan fotoğraflandı. Kısmi örtülme durumları bilerek çekildi: çalının altından görünen bacaklar, yalnızca gövde, enkaz yanında manken. Şekil 3 etiketlenmiş sonuçtan bir örnek.

3.2 Eğitim

Etiketleme Label Studio ve Roboflow'da yapıldı. Eğitim verisi, birbiriyle bindirmeli 1280 × 1280 görüntü karoları olarak üretiliyor; yanına da enkaz ve çim ortamlarından alınan zor negatif (hard negative) arka plan karoları ekleniyor ki model, içinde hiç hedef olmayan kafa karıştırıcı karmaşayı da görsün. Model, 1280 px giriş çözünürlüğünde COCO ile önceden eğitilmiş ağırlıklardan başlatılıp özel sette ince ayarlanıyor; nesne ölçeği ve bakış açısına karşı dayanıklılığı artırmak için ölçekleme, aynalama, döndürme, mozaik augmentation ve mixup eğitim sırasında yeniden devreye alınıyor. Doğrulama, ayrılmış web görüntüleriyle değil yalnızca gerçek hava DJI görüntüleriyle yapılıyor; böylece raporlanan metrikler eğitim dağılımını değil operasyonel ortamı yansıtıyor.

Tablo 4. Yeniden eğitilen YOLO11m modelinin sınıf bazında doğrulama başarımı; 31 gerçek hava DJI görüntüsünden (121 etiketli örnek) oluşan doğrulama setinde. Çadır satırı yalnızca 6 doğrulama örneğine dayanıyor ve bu akılda tutularak okunmalı.

Sınıf	P	R	mAP50	Doğrulama örneği
Manken	0.902	0.801	0.906	115
Çadır	0.942	1.000	0.995	6
Tümü	—	—	0.950	121

Genel mAP@50 0.950, mAP@50–95 ise 0.745; precision ve recall her zamanki gibi P = TP / (TP + FP) ve R = TP / (TP + FN) ile hesaplanıyor. Çadır tespiti mükemmel görünüyor ama altı doğrulama örneği, burada raporlananın ötesinde istatistiksel bir güven iddiası için fazla küçük bir örneklem — bu doğrulama setini büyütmek Bölüm 8'de izleniyor. Küçük nesne kurtarma için karolu (tiled) çıkarım da kavram doğrulaması olarak değerlendirildi: tam kare çıkarımın hiç tespit üretmediği iki ayrılmış hava görüntüsünde, karolu çıkarım sırasıyla 5 ve 1 ek tespit kurtardı; en yüksek güven 0.74 oldu — ama uçak üstü işlem başarımı otonom güdümün gerektirdiğinin gerisinde kaldı. Bu yüzden TensorRT ile hızlandırılmış karolu çıkarım, yalnızca daha küçük ya da düşük güvenli hedefler için yedek bir konfigürasyon olarak elde tutuluyor; uçağın uçtuğu operasyonel uçuş konfigürasyonu ise 640 px'te tam kare çıkarım ve 0.25 güven eşiği.

3.3 Görülmemiş çekimlerde doğrulama

Model, eğitimin hiçbir aşamasında yer almamış drone çekimleriyle doğrulanıyor. Açıkta duran mankenlerde güven 0.6–0.9 bandında; ağır örtülü ya da kadraja kısmen giren hedefler 0.3'e düşüyor, tamamen örtülü bazı örnekler ise bütünüyle kaçıyor. Şekil 4 bu aralığın iki ucunu tek sayfada gösteriyor.

Bu yoldaki bir hata kipi, düşük güvenden daha ciddi. Yalnızca manken bilen model, önceki koşularda gerçek insanları manken olarak sınıflandırdı. Görev sırasında hakemler ve diğer görevliler arama sınırının içinde olabilir; insan üzerindeki bir yanlış pozitif, teslimatı hedef yerine bir kişiye yönlendirir. Üç önlem üzerinde çalışılıyor: veri setine insan negatif sınıfı eklemek, insan içeren kareleri zor negatif (hard negative) olarak tutmak ve teslimat kararını tek bir tespite değil, güven eşiği artı çok kare mutabakatına bağlamak.

4 Haritalama

Risk Mapping görevi, arama alanının tek parça birleştirilmiş bir görüntüsünü istiyor; üstelik tarama biter bitmez sahada üretilmiş ve doğrudan teslime hazır biçimde yazılmış olarak. Kendi geliştirdiğimiz mozaikleyici FastMosaic (suas_fast_orthomosaic projesi altında örgütlenmiş), genel amaçlı fotogrametri için değil tam da bu iş için kurgulandı: sahada hızlı geri dönüş, tek tarama geçişinin az sayıdaki karesine (15–20 kare) karşı dayanıklılık ve kare dikişleri boyunca görsel tutarlılık.

FastMosaic dört aşamada çalışıyor. GPS destekli kare seçimi, kareleri uçuş kaydına göre sıralıyor ve sert bir manevra sırasında çekilmiş her kareyi (30°'den büyük yön değişimi) eliyor. Kalan her kare, CLAHE kontrast normalizasyonlu ORB öznitelikleriyle [5] son karelerden oluşan kayan bir tampona karşı eşleştiriliyor ve RANSAC ile kestirilen 4 serbestlik dereceli bir benzerlik dönüşümüyle yerleştiriliyor:

x′ = s R(θ) x + t (2)

Uzaklık dönüşümü tabanlı yumuşatma, w = d_new / (d_new + d_old) harman ağırlığıyla her kareyi tuvale katıyor; tuval sonra kırpılıp doğrudan kuralların istediği PNG olarak yazılıyor. GPS seçim ve sıralama için kullanılırken asıl yerleştirme görsel özniteliklerden hesaplanıyor — tek başına geotag piksel düzeyinde hizalama veremez, tek başına öznitelikler de sıralama dayanıklılığı veremez; bu yüzden hat her kaynağı iyi olduğu işte kullanıyor.

FastMosaic'i, OpenDroneMap [6] gibi harici bir fotogrametri paketi benimsemek yerine kendimiz geliştirdik: haritalama zincirini yazılımın geri kalanıyla aynı Python araç zinciri içinde uçtan uca kontrolümüzde tutmak, saha istasyonunda harici bir işleme bağımlılığından kaçınmak ve teslim PNG'sini doğrudan üretmek için. Ayrıca toplu (batch) fotogrametri araçlarında bulunmayan bir kip de koşuyor: taramanın kendisi sürerken A8 mini'nin RTSP akışını tüketen gerçek zamanlı bir önizleme. Böylece bir kapsama boşluğu, teslim edilen haritada sonradan fark edilen bir delik yerine tek bir bacağın yeniden uçulmasına mal oluyor.

Çıktı, titizlikle ortorektifiye edilmiş bir ürün değil görsel bir mozaik: Denklem 2'deki benzerlik dönüşümü ne perspektifi ne de arazi kabartısını modelliyor ve artımlı yerleştirme uzun zincirlerde sürüklenme biriktirebiliyor. Bunun yerine kaliteyi kaynakta kontrol ediyoruz — nadir gimbal görüntüsü, bindirmesi bol bir tarama düzeni ve manevra elemesi — ve aynı alanın referans görüntüleriyle yan yana karşılaştırarak doğruluyoruz. Kameranın iç parametreleri şu an nominal veri sayfası değerlerini kullanıyor (fx ≈ 1124 px) ve lens distorsiyonu düzeltilmiş değil; fiziksel kamera erişimi el verdiğinde dama tahtası kalibrasyonu planlanan iyileştirme.

Haritalama, SwitchBlox anahtarı tarafından dağıtılan aynı RTSP akışı kullanılarak yer istasyonunda yürütülüyor; bu da Jetson'ı tespit için boşta bırakıyor. Bu, doğrudan Bölüm 2.2'de anlatılan tek akışlı mimarinin sonucu.

Aşağıda iki erken birleştirme testi var. Şekil 5 ilki, bir maket üzerinde; Şekil 6 ikincisi, uçuş test sahası üzerinde.

4.1 Test durumu

Haritalama hem bileşen hem görev düzeyinde doğrulandı. Uçuş operasyonlarından önce SIYI A8 mini'den RTSP video alımı, bu iş için yazılmış bir tezgah testi aracıyla doğrulandı. Harita üretimi sırasında sert yön değişimlerinde çekilen kareler otomatik olarak eleniyor ve öznitelik eşleştirmesinde başarısız olan kareler nihai mozaiğe zorlanmak yerine atılıyor; genel harita kalitesini ayakta tutan da bu.

Ortaya çıkan mozaik doğrudan SUAS haritalama gereklerine karşı değerlendirildi: taranan alanın eksiksiz kapsanması, görünür birleştirme kusuru olmadan kusursuz hizalama, mozaik boyunca tutarlı pozlama ve aynı bölgenin referans görüntüleriyle görsel karşılaştırma. Dört ölçütün dördü de karşılandı; mevcut hattı bir kavram doğrulaması değil yarışmaya hazır kılan da bu. Çıktının coğrafi referanslanması — görsel mozaiği yalnızca görsel olarak tutarlı bir ürün olmaktan çıkarıp koordinat doğruluğu olan bir ürüne dönüştürmek — hâlâ ileriye dönük iş ve Bölüm 8'de izleniyor.

5 Simülasyon

Bu yıl simülasyonda entegrasyon testine bilinçli bir ağırlık verdik; böylece sahadaki zaman hata ayıklamayla değil uçuşla geçiyor: her yeni yetenek, donanımda uçurulmadan önce simülasyonda uçuruluyor.

Ortam Gazebo, ArduPilot SITL, ROS 2 ve pymavlink'i bir araya getiriyor ve tek bir masaüstü süreci olarak koşmak yerine gerçek uçuş mimarisini yeniden üretecek biçimde kurulmuş: uçuş dinamiği simülatörü, Mission Planner yer istasyonu ve Jetson companion computer, paylaşılan bir ağ üzerinde ayrı düğümler olarak çalışıyor. Kamera görüntüsü Jetson'a, gerçek bir uçuşta kullanılacak olanın aynısı RTSP akışı üzerinden ulaşıyor; böylece bütün görüntü işleme hattı donanıma çok yakın koşullarda koşuyor. Yineleme süresini kısaltan ve erken test riskini hava aracından uzak tutan da bu.

Uçuş rotası testleri otonom kalkış, waypoint seyrüseferi, iniş ve Return-to-Launch senaryoları için SITL ve Gazebo kullanıyor; görevler Mission Planner'da planlanıp izleniyor, tarama ızgaraları Simple Grid aracıyla üretiliyor. PID ayarı ve GPS kilidi mantığı, gerçek platformun (MN505) ağırlık ve pervane karakteristiğiyle yapılandırılmış bir simülasyon modeline karşı doğrulanıyor; böylece uçuş kontrolcüsü davranışı donanıma ulaşmadan önce denetleniyor. Şekil 7'deki senaryo böyle bir koşu: 55 waypoint'lik bir tarama görevi. Araç her waypoint'te bekliyor, çekim rutini tetikleniyor ve kare; çekim konumu dosya adına kodlanmış, tam duruşu taşıyan bir JSON yan dosyası eşliğinde diske yazılıyor — yani haritalama hattının tükettiği coğrafi etiketli görüntü setinin tam kendisi, uçuş gerektirmeden üretiliyor.

Nesne tespiti de simülasyonda sınanıyor: konum ve yönelimleri bilinen simüle hedefler Gazebo dünyasına yerleştiriliyor; böylece tespit doğruluğu, sınırlayıcı kutu hizası, işlem gecikmesi ve bunlardan çıkan coğrafi konum, hedef donanımda güvenilmeden önce yer gerçeğine karşı denetlenebiliyor.

Acil durum senaryoları — GPS/EKF bozulması, yer istasyonu ya da Jetson ile haberleşme kaybı ve düşük batarya koşulları — SITL üzerinden enjekte ediliyor ve bunlardan doğan otomatik LOITER, iniş ve Return-to-Launch davranışları telemetri kayıtlarıyla doğrulanıyor; ağa bağlı düğüm mimarisi ayrıca haberleşme gecikmesini ve bağlantı kesintilerini soyut biçimde simüle etmek yerine gerçekçi biçimde test etmeyi mümkün kılıyor.

MAVLink komut işleme aynı ortamda test ediliyor: GUIDED moduna geçiş, arm, belirlenen irtifaya otonom kalkış, waypoint seyrüseferi, kontrollü iniş ve disarm. Komutlar imzalı [4]. Bu imzalama gerçeklemesine karşı açık bir kusur kaydı var: SITL testleri sırasında, bazı durumlarda yanlış imzalama anahtarı sunulsa bile bağlantının kabul edilebildiğini gözlemledik. Bu, bizim gerçeklememizdeki bir güvenlik kusuru; inceleniyor ve açık olarak izleniyor.

Simülasyon sonuçları koşulsuz taşınmıyor; iki ölçüm sınıfı, hedef donanımda yeniden alınana kadar güvenilmez sayılıyor. Gazebo geliştirme PC'sinde yaklaşık 1.0 gerçek zaman çarpanı tutturuyor ama yük altındaki Jetson Orin NX'te 0.4–0.7 civarına düşüyor; bu da kontrol döngüsü davranışını bozuyor. Masaüstü GPU'da ölçülen çıkarım FPS'i de Jetson performansını öngörmüyor; TensorRT FP16/INT8 dışa aktarımı bunu 2–4× değiştiriyor. Geliştirme PC'de yineleniyor; gecikmeye duyarlı her sonuç güvenilmeden önce Jetson'da yeniden doğrulanıyor.

6 Hedef Coğrafi Konumlama

Tespit tek başına görevi tamamlamıyor. Dedektörün çıktısı görüntü koordinatlarında bir sınırlayıcı kutu; teslimat sisteminin ihtiyacı olansa bir enlem ve boylam. Birini diğerine çeviren modül, algılama ile eylem arasındaki bağ.

Gimbal kamerayı nadirde tuttuğu ve uçağın yalpa ile yunuslamasını soğurduğu için, W × H boyutlu bir karedeki hedef pikseli (u, v) zaten yerel olarak düzlenmiş bir ileri-sağ-aşağı çerçevesinde bir ışın tanımlıyor; bu ışın yerel NED çerçevesine yalnızca uçağın uçuş kontrolcüsünden okunan yönelme açısı ψ ile taşınıyor:

r_c = [ −(v − H/2) / (H / (2 tan(VFOV/2))), (u − W/2) / (W / (2 tan(HFOV/2))), 1 ]^T, r_n = R(ψ) r_c (3)

Bu ışını bilinen AGL irtifası h'deki yer düzlemiyle kesiştirmek hedefin kuzey ve doğu ötelemelerini, oradan da koordinatlarını veriyor; enlem ile boylam radyan cinsinden ve R_E yerel Dünya yarıçapı olmak üzere:

[ΔN, ΔE]^T = (h / r_D) [r_N, r_E]^T, lat_t = lat + ΔN / R_E, lon_t = lon + ΔE / (R_E cos(lat)) (4)

Denklem 3 ile Denklem 1 aynı iğne deliği (pinhole) modelinin iki ayrı görünümü: Denklem 3'teki piksel başına ölçek 2 tan(HFOV/2)/W, ters odak uzaklığı 1/f'tir ve f = (W/2)/tan(HFOV/2) ≈ 1124 px; Denklem 1'deki yer örnekleme aralığı ise aynı çarpanın zemine izdüşümü, GSD = h/f. Dolayısıyla tespit boyutlandırması ile hedef coğrafi konumlaması iki bağımsız kalibrasyona değil tek bir kamera modeline dayanıyor. Ortaya çıkan koordinat uçuş kontrolcüsüne MAVLink waypoint'i olarak gönderiliyor [4].

6.1 Terminal güdüm

Tek bir kayıtlı koordinat, tek bir tespitin coğrafi konumlama hatasını taşır; üstelik bırakma anında uçağın hedefin tam üzerinde ortalanmış olması da gerekir. Uygulamaya alınmış terminal güdüm aşaması bu boşluğu, uçak koordinata seyrüsefer edip oturduktan sonra kayıtlı koordinattan canlı görüntüye geçerek kapatıyor: görüntü tabanlı bir görsel servolama (visual servoing) denetleyicisi, tespit edilen hedefin kare merkezine göre görüntü düzlemindeki sapmasını, e = (e_u, e_v) = (u − W/2, v − H/2), sıfıra sürüyor. Sapma, tespit titremesini bastırmak için üstel hareketli ortalamayla (α = 0.15) yumuşatılıyor, nadir kameranın gövde eksenlerine eşleniyor ve 20 Hz'te (Δt = 0.05 s) koşan ayrık bir PID yasasına veriliyor; bu yasa gövde çerçevesinde hız komutları üretiyor ve komutlar güncel yaw ile NED çerçevesine döndürülüyor:

v_b[k] = Kp ē_b[k] + Ki Σ ē_b Δt + Kd ( ē_b[k] − ē_b[k−1] ), ē_b = [−ē_v, ē_u]^T, [v_N, v_E]^T = R(ψ) v_b (5)

Kazançlar Kp = 0.003 ve Kd = 0.004 (m/s)/px, Ki ise 0.0001 (m/s)/(px s); hedef kısa süreliğine örtüldüğünde integral terimi sarma (wind-up) olmasın diye sınırlanıyor ve komut büyüklüğü 0.8 m/s'de doyuruluyor ki uçak aşım yapmadan yakınsasın. Tespitler tam 1920 × 1080 karede raporlandığı için bırakma, ancak hedef kare merkezinin 20 px yakınında sürekli olarak kaldığında kuruluyor — Denklem 1'e göre 3x yakınlaştırmayla 50 m görev irtifasında yerde 0.30 m eder — ve sürekli olarak kaybedilen bir hedef yaklaşmayı iptal edip waypoint görevine geri döndürüyor.

Denetleyici şu an kazancı ölçülen menzile göre ölçeklemek yerine kestirilen menzili bırakma irtifasında sabit tutan bir sabit derinlik yaklaşımı kullanıyor; yani ayarlandığı haliyle yalnızca o tek irtifada geçerli. Belirgin biçimde farklı bir irtifada çalıştırılmadan önce menzile göre programlanmış bir kazanç gerekir.

6.2 Zincirin durumu

Tablo 5, kareden bırakmaya kadar bütün zinciri ve her aşamanın şu anki durumunu ortaya koyuyor. Bölüm 7'deki saha doğrulaması çekimden yaklaşmaya kadar zinciri uçtan uca çalıştırdı, ama oradaki bırakma hâlâ yalnızca kayıtlı coğrafi konumdan komutlandı — Bölüm 6.1'deki terminal güdüm döngüsünü canlı görüntü üzerinde kapatmak sıradaki kilometre taşı ve Bölüm 8'de izleniyor.

Tablo 5. Tespitten teslimata zincir, aşama aşama. Her aşama artık entegre bir uçuş testinde çalıştırıldı; terminal güdüm ise kayıtlı koordinat yerine canlı görüntü üzerinde kapanması gereken iyileştirme.

Aşama	Girdi	Çıktı	Durum
Çekim	A8 mini RTSP akışı	Kare + zaman damgası	Çalışıyor
Tespit	Kare	Sınıf + sınırlayıcı kutu	Çalışıyor
Coğrafi konumlama	Kutu + duruş + iç parametreler	Hedef enlem/boylam	Çalışıyor, sahada doğrulandı
Komut	Hedef enlem/boylam	MAVLink waypoint	Çalışıyor
Yaklaşma (açık döngü)	Waypoint	Kayıtlı koordinata seyrüsefer + bırakma	Çalışıyor, sahada doğrulandı
Terminal güdüm (görsel servolama)	Canlı kare sapması	Kapalı döngü yaklaşma düzeltmesi	Uygulamaya alındı, uçuş doğrulaması bekleniyor

Buradaki doğruluk doğrudan puana dönüşüyor. SUAS, bir yükü hedefin 50 ft yakınına indirmeye 50 puan, doğru nesneyi doğru hedefe teslim etmeye de ayrıca 30 puan veriyor [1]. Hem 20 m'de hem de 50 m görev irtifasında yapılan entegre uçuş testlerinde her iki teslimat da yalnızca açık döngü zincirle bu yarıçapın rahatça içine düştü — sayılar Bölüm 7'de — ki bu cesaret verici; ama iki uçuş istatistiksel bir garanti değil ve su şişesi bırakmasındaki sapma, tam olarak terminal güdüm döngüsünün kapatılmasıyla daraltılması hedeflenen pay.

7 Saha Doğrulaması

Saha doğrulaması üç aşamada ilerledi: düşük ışıkta tespit dayanıklılığı, 50 m görev irtifasında tespit güveni ve eksiksiz uçtan uca görevler.

7.1 Düşük ışıkta tespit

Tespit dayanıklılığı, beton zeminlere yerleştirilen insan dublörlerle düşük ışık koşullarında değerlendirildi. Altı denemenin tamamında tespit sistemi, ana eğitim veri setinden farklı çevre koşullarına rağmen 20–25 m mesafeden tutarlı biçimde yaklaşık 0.75 güven değeri üretti — operasyonel uçuş konfigürasyonunun kullandığı 0.25 güven eşiğinin epeyce üzerinde, işe yarar bir pay.

7.2 Görev irtifasında tespit

Uçak 49 m AGL'de ve kamera 3x yakınlaştırmadayken, bir insan dublörü 0.60 ile 0.80 arasında güvenle tespit edildi — operasyonel uçuş konfigürasyonunun kullandığı 0.25 eşiğinin üzerinde.

7.3 Uçtan uca uçuş testi

Önceki aşamalar geçildikten sonra, uçtan uca uçuş testleri eksiksiz otonom görev hattını gerçek işletim koşullarında doğruladı. İlk testte, yaklaşık 20 m AGL irtifadan uçularak, her iki yarışma hedefi de tespit edildi, konumları güdüm sistemine aktarıldı ve otonom seyrüsefer operatör müdahalesi olmadan hesaplanan bırakma noktalarına ilerledi: çakar işaretçi çadır hedefinin üzerine başarıyla indi, su şişesi ise mankenden yaklaşık 5 m uzağa düştü. Bu test daha sonra tam 50 m görev irtifasında, karşılaştırılabilir bir tespit güveni ve karşılaştırılabilir bir teslimat sapmasıyla tekrarlandı. Her iki test de her iki yükü de 50 ft (15.2 m) puanlama yarıçapının rahatça içine yerleştirdi ve her ikisi de yalnızca kayıtlı coğrafi konumdan komutlandı — Bölüm 6.1'deki terminal güdüm döngüsü her iki test için de henüz kapatılmamıştı; bu da şişe sapma mesafesinin tam olarak o döngünün gidermek için tasarlandığı türden bir hata olmasıyla tutarlı.

8 Devam Eden Çalışmalar

Aşağıdaki açık maddeler doğrudan her modülün bulunduğu noktadan çıkıyor: coğrafi konumlama ve teslimat uçtan uca çalışıyor ama açık döngü, çadır sınıfı doğrulaması zayıf, kamera modeli kalibre değil, haritalama görsel olarak doğru ama geometrik olarak değil ve simülasyon testlerinden çıkan bir güvenlik kusuru hâlâ çözülmedi.

• Bölüm 6.1'deki terminal güdüm döngüsünü canlı görüntü üzerinde kapatmak ve 50 m görev irtifasında yapılacak bir tekrar uçuşta Bölüm 7'deki açık döngü sonuca karşı doğrulamak.

• Terminal güdüm denetleyicisi için menzile göre programlanmış kazanç; böylece tek bir 50 m görev irtifasına ayarlı kalmaz.

• SIYI A8 mini'nin dama tahtası kalibrasyonu; hem coğrafi konumlama hem haritalama kamera modellerindeki lens distorsiyonunu düzeltmek için — şu an ikisi de nominal veri sayfası iç parametrelerini kullanıyor.

• Çadır sınıfı doğrulama setini mevcut 6 örneğin ötesine büyütmek; istatistiksel olarak anlamlı bir mAP değeri için.

• FastMosaic çıktısını coğrafi referanslamak; böylece Risk Mapping teslimatı yalnızca görsel olarak tutarlı değil koordinat doğruluğu olan bir ürün olur.

• SITL testleri sırasında bulunan MAVLink imzalama açığının giderilmesi ve doğrulanması.

Kaynaklar

[1] RoboNation, “SUAS 2025 Team Handbook,” 2025.

[2] Alexandria University, “Alex Eagles Technical Design Report,” SUAS 2025.

[3] Ultralytics, “YOLO11 Documentation.” [Online]. Erişim: https://docs.ultralytics.com

[4] MAVLink, “MAVLink Developer Guide.” [Online]. Erişim: https://mavlink.io

[5] E. Rublee, V. Rabaud, K. Konolige, and G. Bradski, “ORB: An efficient alternative to SIFT or SURF,” in 2011 International Conference on Computer Vision, 2011, pp. 2564–2571.

[6] OpenDroneMap Authors, “ODM: A command line toolkit to generate maps, point clouds, 3D models and DEMs from drone, balloon or kite images,” https://github.com/OpenDroneMap/ODM, 2020.

[7] SIYI Technology, “A8 mini User Manual v1.6,” 2024.