Teknoloji şirketi Ouster, LiDAR sensör teknolojisinde çığır açan yeni ürününü duyurdu. REV8 OS sensör ailesi, sektörde ilk kez doğal renk algılama özelliği sunuyor. Bu gelişme, otonom araçlar, robotik sistemler ve 3D haritalama uygulamaları için büyük önem taşıyor. Özellikle OS1 Max modeli, önceki nesil REV7'ye kıyasla iki kat daha yüksek menzil ve çözünürlük sunarak endüstri standardlarını yeniden belirliyor. LiDAR teknolojisinin renk bilgisini de içermesi, nesnelerin sadece mesafe ve şekil bilgisinin değil, görsel özelliklerinin de algılanmasını sağlıyor. Bu teknolojik ilerleme, yapay zeka destekli sistemlerin çevre algılama kapasitesini önemli ölçüde artırarak gelecek nesil otonom sistemlerin gelişimini hızlandıracak.

Araştırmacılar, GPS sinyallerinin ulaşamadığı tüneller ve madenler gibi zorlu ortamlarda drone navigasyonu için yenilikçi bir yöntem geliştirdi. Sistem, LiDAR sensörü ile toplanan verileri derin öğrenme algoritmaları ve geometrik hesaplamalarla işleyerek drone'un güvenli bir şekilde hareket etmesini sağlıyor. Geleneksel konum belirleme yöntemlerinin işe yaramadığı, aydınlatmanın yetersiz olduğu ve duvar özelliklerinin az olduğu ortamlarda bile etkili navigasyon gerçekleştiriyor. Bu teknoloji, arama kurtarma operasyonları, maden keşfi ve altyapı denetimi gibi alanlarda drone kullanımını büyük ölçüde genişletebilir.

Araştırmacılar, endüstriyel robotların navigasyon için pahalı LiDAR sensörlerine olan bağımlılığını ortadan kaldıran yeni bir sistem geliştirdi. Öğretmen-öğrenci yaklaşımı kullanan bu sistem, robotlara sadece kameralardan gelen görüntülerle güvenli navigasyon yapmayı öğretiyor. Sistem, önce LiDAR verisiyle eğitilen bir 'öğretmen' robotun bilgilerini, sadece dört RGB kamera kullanan 'öğrenci' robota aktarıyor. NVIDIA Isaac Lab simülasyon ortamında eğitilen sistem, gerçek DJI RoboMaster platformunda başarıyla test edildi. Bu gelişme, robotik alanında maliyet düşürücü bir devrim yaratabilir çünkü görme tabanlı navigasyon, geleneksel LiDAR sistemlerinden çok daha uygun maliyetli.

Araştırmacılar, tek foton LiDAR sistemlerinin karşılaştığı temel zorlukları çözmek için yenilikçi bir yaklaşım geliştirdi. Bu sistemler uzun mesafe algılama ve düşük yansıtıcılıktaki hedefleri tespit etmede üstün performans gösterse de, elde edilen nokta bulutları genellikle seyrek, düzensiz dağılımlı ve hatalı veriler içeriyor. Yeni geliştirilen GIC-Reg framework'ü, sensör pozisyonları tam olarak bilinmese bile birden fazla görüntüyü başarıyla birleştirebiliyor. Sistem, fiziksel farkındalığa dayalı ön işleme, geometri-yoğunluk özelliklerinin ortak analizi ve küresel eşleştirme teknikleri kullanarak daha tutarlı 3D rekonstrüksiyon sağlıyor.

Araştırmacılar, otonom araçların pahalı LiDAR sensörlerine ihtiyaç duymadan çevrelerini üç boyutlu olarak algılayabilmesini sağlayan yeni bir sistem geliştirdi. DualViewMapDet adlı bu teknoloji, araçların daha önce geçtiği yollarda oluşturdukları nokta bulutu haritalarını kullanarak, sadece kamera görüntüleriyle nesneleri tespit edip takip edebiliyor. Sistem, özellikle derinlik algısının zor olduğu durumlarda önceki geçiş verilerini kullanarak kamera tabanlı algılamayı güçlendiriyor.

Otonom sürüş teknolojisinde kullanılan kuşbakışı görüş segmentasyon modellerinin farklı ortamlarda nasıl performans gösterdiği kapsamlı bir araştırmayla incelendi. Mevcut modellerin genellikle tek bir veri seti üzerinde eğitildiği ve bu durumun farklı çevre koşullarında başarısızlığa yol açtığı tespit edildi. Araştırmacılar, kamera ve LiDAR gibi farklı sensörlerin model performansına etkilerini analiz ederek, çoklu veri seti eğitiminin tek veri seti eğitimine göre daha başarılı sonuçlar verdiğini ortaya koydu. Bu çalışma, otonom araçların farklı şehir ve coğrafyalarda güvenli bir şekilde çalışabilmesi için kritik önem taşıyor.

Otonom sürüş teknolojilerinin geliştirilmesinde büyük bir boşluk kapatılıyor. Araştırmacılar, şimdiye kadar çoğunlukla şehir merkezlerindeki ana yollar üzerinde odaklanan mevcut veri setlerinin aksine, kampüs ve park gibi yerleşim alanlarına özel ilk kapsamlı veri setini oluşturdular. CORP adı verilen bu yeni veri seti, 18 kamera ve 9 LiDAR sensöründen toplanan 205 bin görüntü ve 102 bin nokta bulutu içeriyor. Üniversite kampüsü ortamında toplanan veriler, sokak lambalarına monte edilen farklı konfigürasyonlardaki sensörlerden elde ediliyor. Bu çalışma, otonom araçların kampüs gibi özel ortamlarda daha güvenli ve etkili çalışabilmesi için gerekli olan makine öğrenmesi algoritmalarının geliştirilmesine önemli katkı sağlayacak.

URVIS 2026 yarışması, yapay zekanın zorlu hava koşullarında görüntü analizi yeteneklerini test eden ilk büyük ölçekli etkinlik olarak tamamlandı. Fırtına, kar ve aşırı yağış gibi ekstrem koşullarda çalışabilen görüntü segmentasyon algoritmaları üzerine düzenlenen yarışmaya 17 katılımcı kayıt yaptırdı ve toplam 47 çözüm sunuldu. MUSES veri seti kullanılarak gerçekleştirilen etkinlik, RGB kameralar, LiDAR, radar ve olay kameralarından elde edilen verileri harmanlayarak gerçek dünya koşullarını simüle etti. Yarışma sonuçları, mevcut yapay zeka sistemlerinin zorlu hava koşullarında hala önemli sınırlılıkları olduğunu gösterdi. Bu tür araştırmalar, otonom araçlar ve güvenlik sistemleri için kritik öneme sahip.

Alman araştırmacılar, müze ziyaretçilerinin robotik kavramları öğrenebilmesi için RHINO-AR adlı artırılmış gerçeklik sistemi geliştirdi. Deutsches Museum Bonn'da sergilenen tarihi RHINO robotunu sanal ortamda canlandıran sistem, ziyaretçilerin robot teknolojilerini interaktif şekilde keşfetmesini sağlıyor. Magic Leap 2 gözlüğü ile çalışan uygulama, LiDAR sensörleri, yol planlama ve hareket kabiliyetleri gibi normalde görülemeyen robotik süreçleri görselleştiriyor. Bu yenilikçi yaklaşım, müzelerde bilim eğitimini daha etkileyici hale getirirken, ziyaretçilerin karmaşık teknolojileri anlayabilmesine yardımcı oluyor.

Kalabalık ortamlarda hareket eden robotların güvenli navigasyonu için yenilikçi bir yaklaşım geliştirildi. Araştırmacılar, geleneksel bireysel takip sistemleri yerine, insan gruplarını 'görünür kenar' temelli bir yöntemle algılayan LiDAR tabanlı sistem tasarladı. Bu yaklaşım, özellikle yoğun kalabalıklarda yaşanan görüş engelleri ve gürültü sorunlarını çözerek robotların hem daha güvenli hem de sosyal açıdan kabul edilebilir şekilde hareket etmesini sağlıyor. Çalışma, grup tahmin doğruluğunun navigasyon performansını beklenenden az etkilediğini ortaya koyarak, basitleştirilmiş grup temsil yöntemlerinin etkili olabileceğini gösteriyor.

Araştırmacılar, kaynak kısıtlı robotların kapalı mekanlarda daha verimli hareket etmesi için yenilikçi bir sistem geliştirdi. Bu sistem, 3 boyutlu LiDAR verilerini kuş bakışı 2D görüntülere dönüştürerek, duvarlar ve kapılar gibi yapısal unsurları gerçek zamanlı olarak tespit ediyor. Geleneksel 3D yöntemler hesaplama gücü açısından çok yoğun olurken, klasik 2D yaklaşımlar da güvenilirlik sorunları yaşıyordu. Yeni framework, hem klasik geometrik teknikler hem de yapay zeka tabanlı YOLO detektörünü kullanarak bu dengeyi kurmaya çalışıyor. Sistem, ardışık karelerden gelen verileri birleştiren özel bir modül sayesinde kararlılık ve güvenilirlik kazanıyor. Mobil robot platformlarında yapılan testler, farklı yöntemlerin performans dengelerini net şekilde ortaya koyuyor.