Akıllı ulaşım sistemlerinde milimetre dalga sinyallerinin çokyollu sınıflandırması için çift dal uzantılı dikkat tabanlı derin öğrenme ağı

Yol sinyallerinin neden karışabildiği

Otomobiller, otobüsler ve kamyonlar daha akıllı ve daha bağlı hale geldikçe, birbirleriyle ve yol kenarı ekipmanıyla iletişim kurmak için yüksek frekanslı kablosuz sinyallere güveniyorlar. Ancak binalar, ağaçlar ve diğer araçlarla dolu gerçek sokaklarda bu sinyaller etrafa çarpıyor, birçok yankı oluşturuyor ve araçtaki sistemleri şaşırtabiliyor. Bu makale, yararlı sinyal yollarını zararlı yankılardan ayırmayı bilgisayarlara öğretmenin yeni bir yolunu tanıtıyor; böylece geleceğin akıllı ulaşım sistemleri, kalabalık kent ve otoyol ortamlarında bile güvenilir kalabilecek.

Yoldaki sinyal yankılarının sorunu

Bir kablosuz sinyal bir yol kenarı baz istasyonu ile hareket halindeki bir araç arasında yol aldığında, nadiren tek bir düz yol izler. Bunun yerine binalardan, araçlardan ve yol yüzeyinden yansır, saçılır ve kırılır; gecikmeli birçok kopya oluşturarak çokyollu bileşenler olarak bilinir. Görüş hattı yolu ve ilk birkaç yansıma genellikle faydalıdır, fakat daha yüksek mertebeden yankılar geç gelir, tuhaf açılardan gelir ve güçleri bozulmuş olur. Bu istenmeyen yankılar zamanlama ve yön tahminlerini bulanıklaştırabilir, hataları artırabilir ve hassas konumlandırma, otonom navigasyon, park yönlendirmesi ve trafik izleme gibi görevleri aksatabilir. Bu yolları sınıflandırıp filtrelemeye çalışan geleneksel matematiksel yöntemler, hızla değişen böyle ortamlarda zorlanır, yoğun kalibrasyon gerektirir ve genellikle güvenlik için kritik sistemler açısından yetersiz olan yaklaşık %90 doğrulukta takılıp kalır.

Dağınık yol sinyallerini okumayı ağa öğretmek

Bunu ele almak için yazarlar, modern kablosuz kanalların ürettiği tek boyutlu zaman serisi verileri için özel olarak tasarlanmış MOVENetx64 adında yeni bir derin öğrenme modeli öneriyor. Elle temizlenmiş veya yoğun işlenmiş girdilere güvenmek yerine, MOVENetx64 her bir yolun ne zaman ulaştığı, ne kadar güçlü olduğu, hangi açılardan geldiği ve fazı gibi ham bilgileri alır. Modelin içinde, ardışık evrişim katmanları önce yerel desenleri ayıklar, ardından uzun-kısa vadeli bellek birimleri bu desenlerin zaman içinde nasıl evrildiğini izler. Bu birleşim, yankı karışıklığındaki anlık ve sıralı yapıyı yakalar.

Zor yankılar için çift odak mekanizması

MOVENetx64’in en ayırt edici kısmı yeni bir "çift dal uzantılı dikkat" bloğudur. Basitçe söylemek gerekirse, bu modül kanal verilerine iki paralel görünümle bakar. İç sinyalleri iki parçaya böler, her birini kendi dalında işler ve ardından hangi dal parçasının bir yolun yararlı mı yoksa zararlı mı olduğuna karar vermede daha önemli olduğunu öğrenen bir dikkat mekanizması uygular. Önemli özellikleri daha fazla ağırlıklandırıp gürültüyü bastırarak, çift dal uzantılı dikkat, ağın istenen birinci mertebe yollar ile zaman veya yönde örtüşsel olsalar bile kafa karıştıran daha yüksek mertebe yankılar arasındaki ince farklara odaklanmasına yardımcı olur.

Gerçekçi sanal yollar üzerinde eğitim

Yaklaşımı test etmek için araştırmacılar, bir ışın izleme simülatörü kullanarak yoğun kent sokakları, karışık banliyö alanları ve hareketli trafikli otoyollar olmak üzere üç tür sürüş ortamı için büyük, gerçekçi veri setleri ürettiler. Her ayar için her sinyal yolunun zamanlama, güç, açı ve faz özelliklerini çıkardılar ve bunları iki sınıfa gruplayarak doğrudan ve birinci mertebe yolları ile daha yüksek mertebe çokyolu olarak etiketlediler. Ana zorluk, zararlı yankıların temiz yollardan çok daha yaygın olmasıydı; bu durum standart eğitimi yanıltabilir. Bunu ele almak için yazarlar, ilerleme durduğunda birbiri arasında geçiş yapan—biri dengesizliği daha iyi ele alan, diğeri genel doğrulukta daha iyi olan—iki farklı eğitim hedefi kullanan "alternatif kayıp" stratejisi tasarladılar; bu, ağın hem nadir hem de yaygın durumları iyi öğrenmesine yardımcı oldu.

Yeni yöntem ne kadar iyi çalışıyor?

Üç yol türünün tümünde MOVENetx64 çok yüksek sınıflandırma doğruluğu elde etti; banliyö ortamlarda %98’in üzerinde ve otoyollarda bile %96’nın üzerinde sonuçlar alındı; aynı zamanda daha yüksek mertebe yankıları tahmin etmedeki hata %0,17–2,28 gibi düşük seviyelerde tutuldu. Klasik evrişimsel ağlardan gelişmiş rezidüel ağlara ve çift yönlü tekrarlı modellere kadar geniş bir popüler derin öğrenme modeli yelpazesinin yanı sıra literatürdeki önceki çokyollu sınıflandırıcıları da tutarlı şekilde geride bıraktı. Önemli olarak, bunu nispeten makul sayıda parametreyle ve ayrıntılı kanal dürtü yanıtlarını yeniden yapılandırma veya karmaşık dönüşümler uygulama gibi pahalı ön işleme adımlarına ihtiyaç duymadan başardı.

Geleceğin akıllı ulaşımı için bunun anlamı

Uzman olmayanlar için çıkarım açık: MOVENetx64, yoğun kablosuz ortamlarda iyi sinyal yollarını kötü yankılardan ayırmayı öğrenen uzmanlaşmış bir "filtreleyen beyin"dir. Ham veriler üzerinde doğrudan çalışıp şiddetli dengesiz koşulları ele alarak, geleceğin araç‑altyapı sistemlerinin kalabalık şehirlerde bile güçlü, güvenilir bağlantıları sürdürmesine yardımcı olabilir. Yararlı yolların parazitlerden daha iyi ayrılması daha doğru konum tahminleri, daha az iletişim kopması ve otonom sürüş ile diğer gelişmiş ulaşım hizmetleri için daha güvenilir destek anlamına gelir.

Atıf: Menon, A.G., Krishnan, P., Lal, S. et al. A dual limb attention based deep learning network for multipath classification of millimetre wave signals in intelligent transportation system. Sci Rep 16, 12266 (2026). https://doi.org/10.1038/s41598-026-39131-0

Anahtar kelimeler: akıllı ulaşım sistemleri, milimetre dalga iletişimi, çokyollu yankılar, derin öğrenme, araç konumlandırma