Kuramsal makale · 2026
LINA’s testing infrastructure enables AI to take-off in unmanned aerial vehicles (UAVs)
Okur sorusu
Yazarlar, otonom hava araçlarının güvenli ve toplumsal olarak kabul edilebilir şekilde hava sahasına entegrasyonu için statik tasarım onaylarının ötesine geçilerek, veri bağımlılığını ve deterministik olmayan davranışları sürekli gözlemleyen dinamik güvence modellerinin benimsenmesini ve LINA gibi bütünleşik test kum havuzlarının genişletilmesini önermektedir.
Öne çıkanlar
İnsansız hava araçlarının karmaşık gerçek dünya ortamlarında otonom biçimde görev yapabilmesi, yapay zeka ve robotik disiplinlerinin en dinamik araştırma alanlarından biridir. Bununla birlikte, laboratuvar ve simülasyon ortamlarında sergilenen üstün algılama ve karar verme performansının, sıkı kurallarla düzenlenen hava sahalarında güvenli operasyonel gerçekliğe dönüştürülmesi önünde ciddi engeller bulunmaktadır. Yapay zeka teknolojilerinin birkaç ay içinde katettiği hızlı gelişim süreci ile havacılık otoriterlerinin sertifikasyon ve düzenleme uyarlama süreçlerinin yıllara yayılması arasındaki yapısal zaman uyumsuzluğu bu sorunun temelini oluşturmaktadır. Deterministik olmayan ve veri odaklı çalışan yapay zeka sistemlerinin geleneksel havacılık güvenlik standartlarıyla doğrudan doğrulanamaması, deneysel yetenekler ile düzenleyici onaylar arasında derin bir uçurum yaratmaktadır.
Makale, söz konusu operasyonel ve düzenleyici uçurumu kapatmak amacıyla altyapı tabanlı bir doğrulama yaklaşımı geliştirmekte ve İsviçre'de kurulan LINA (Otonom Sistemlerin Geliştirilmesi ve Güvenli Test Edilmesi için Paylaşımlı Büyük Ölçekli Altyapı) platformunu model olarak tanıtmaktadır. İncelemede, pekiştirmeli öğrenme, model öngörülü kontrol, bilgisayarla görü ve büyük dil modelleri gibi temel yapay zeka yöntemlerinin İHA otonomisine katkıları ve sınırlılıkları teknik düzeyde çözümlenmektedir. Araştırmacılar, kapalı alan hareket yakalama sistemlerinden açık alan görüş hattı ötesi (BVLOS) uçuş sahalarına kadar uzanan kademeli test süreçlerinin, teknolojinin olgunluk seviyesini (TRL 1-9) artırırken düzenleyici otoriteler için tekrarlanabilir ve karşılaştırılabilir kanıtlar ürettiğini göstermektedir.
Çalışmanın sunduğu bulgular, yapay zeka destekli İHA'ların risk değerlendirmesinde geleneksel deterministik analizlerin yetersiz kaldığını ve olasılıksal dikey doğrulamaya ihtiyaç duyulduğunu ortaya koymaktadır. Bilişsel karmaşıklığı yüksek olan görüş hattı ötesi operasyonlar ile işbirlikçi olmayan hava trafiğinde kaza önleme (sense-and-avoid) senaryolarında, yapay zekanın kenar durumlardaki (edge cases) şeffaf olmayan karar alma mekanizmaları en büyük güvenlik riskini oluşturmaktadır. LINA altyapısında yürütülen deneysel süreçler, açıklanabilir yapay zeka (XAI) araçları ve dijital ikiz simülasyonlarıyla birleştirilmiş ampirik testlerin, belirsiz karar alma davranışlarını kontrol altına aldığını ve EASA'nın güvenilirlik standartlarına uygun sistematik kanıt toplama imkânı sağladığını göstermektedir.
Sonuç ve tartışma bölümünde, test altyapılarının yalnızca mühendislik deneme sahaları olarak değil, düzenleyici öğrenme ve toplumsal güven inşa etme süreçlerinin temel bir bilimsel aracı olarak değerlendirilmesi gerektiği vurgulanmaktadır. Makale, Avrupa'daki mevcut test merkezleriyle karşılaştırmalı bir analiz sunarak LINA'nın akademi, sanayi ve sivil havacılık otoritelerini aynı çatı altında buluşturan özgün sandbox yapısını öne çıkarmaktadır. Araştırmacıların sunduğu TESTAIR vizyonu, sürekli güvence modellerinin, harmonize test standartlarının ve düzenleme süreçlerine entegre deneysel alanların gelecekteki İHA araştırmalarında ve tez çalışmalarında ampirik metodoloji geliştirmek için temel bir referans kaynağı haline geldiğini göstermektedir.
Çalışma, yapay zeka ve robotik sistemlerin sertifikasyonunda sosyo-teknik güvenilirlik ve altyapı tabanlı doğrulama yaklaşımını teorik çerçeve olarak benimsemektedir. Deterministik havacılık güvenlik standartlarının (10^-9 saatlik kaza olasılığı gibi) veri odaklı ve uyarlanabilir yapay zeka modelleriyle doğrudan uygulanamayacağı gerçeğinden hareketle, sürekli güvence ve deneysel kanıt üretimine dayalı bir sandbox modeli önermektedir.
Çalışmada, İHA kontrolünde pekiştirmeli öğrenme (RL) ve model öngörülü kontrol (MPC) literatürü, bilgisayarla görü ve çok modlu büyük dil modellerinin (MLLM) algılama yetenekleri, EASA'nın Yapay Zeka Yol Haritası 2.0 ve NPA 2025-07 düzenleyici çerçevesi ile Avrupa'daki çeşitli İHA test alanları (DLR Magdeburg-Cochstedt, U-Space Reallabor Hamburg, Cranfield Air Corridor vb.) kapsamlı bir biçimde ele alınmaktadır.
Bu çalışma, insansız havacılıkta yapay zeka teknolojilerinin güvenli entegrasyonu önündeki yapısal ve düzenleyici engelleri incelemeyi ve İsviçre'de geliştirilen LINA entegre deney ve doğrulama platformu örneği üzerinden test altyapılarının birer bilimsel araç olarak otonom sistemlerin sertifikasyonundaki kritik rolünü ortaya koymayı amaçlamaktadır (Bolck et al., 2026).
Bu çalışmada, yapay zeka araştırmaları, havacılık düzenlemeleri ve test uygulamalarından elde edilen içgörüler sentezlenerek, otonom insansız hava araçlarının güvenli ve düzenleyici uyumlu uçuş gerçekleştirebilmesi için gerekli olan bütünleşik test altyapısının rolü kavramsal düzeyde incelenmiştir (Bolck et al., 2026).
Pekiştirmeli öğrenme (RL) algoritmalarının otonom İHA kontrolünde sunduğu dinamik adaptasyon yeteneğine karşın, yüksek eğitim verisi ihtiyacı ve karar mekanizmalarının açıklanamaz yapısı, sistemin emniyet öncelikli havacılık sertifikasyon süreçlerine entegrasyonunda ciddi engeller yaratmaktadır (Bolck et al., 2026).
Model Öngörülü Kontrol (MPC) yöntemleri deterministik ve matematiksel güvenceler sunsa da, gerçek dünya rüzgar koşulları ve modelleme hataları karşısında nominal limitlerin dışına çıkıldığında performans kaybı yaşamakta ve yüksek donanımsal kaynak tüketmektedir (Bolck et al., 2026).
Algıla-ve-sakın (SAA) sistemlerinin performansı, transponder taşımayan kuşlar veya yamaç paraşütleri gibi işbirlikçi olmayan aktörlerin bulunduğu kontrolsüz karma hava sahalarında pasif optik/radar algılama ve yapay zeka tabanlı nesne tespiti kombinasyonuna bağımlıdır (Bolck et al., 2026).
Yapay zekanın aylarla ölçülen hızlı teknolojik inovasyon döngüsü ile havacılık otoritelerinin yıllara yayılan düzenleme ve sertifikasyon süreçleri arasındaki yapısal uyumsuzluk, otonom sistemlerin laboratuvardan operasyonel sahaya taşınmasında temel bariyerdir (Bolck et al., 2026).
Otonom hava araçlarında yapay zekanın kullanımı, geleneksel deterministik sistemlerin aksine veri odaklı ve uyarlanabilir modeller getirmektedir. Yapılan analizler, pekiştirmeli öğrenme ve derin bilgisayarlı görü algoritmalarının otonom kontrol ve algılama süreçlerinde üstün başarı gösterdiğini, ancak bu sistemlerin doğasında bulunan şeffaflık eksikliğinin güvenlik risklerini beraberinde getirdiğini ortaya koymaktadır.
Yazarlara göre, otonom sistemlerin gerçek dünya koşullarında güvenli bir şekilde uçabilmesi, laboratuvar düzeyindeki izole başarıların ötesinde bir test mimarisi gerektirmektedir. Yapay zekanın gelişim hızının havacılık mevzuatlarının yavaş işleyen yapısıyla çatışması, araştırmacılar ile düzenleyiciler arasında LINA gibi köprü görevi gören disiplinler arası kum havuzu (sandbox) platformlarının kurulmasını zorunlu kılmaktadır.
Çalışmada elde edilen sonuçlar, otonom kara araçları alanındaki benzer güvenlik güvencesi zorluklarıyla (Kenny vd., 2024) paralellik göstermektedir. Geleneksel on üzeri eksi dokuz düzeyindeki katı güvenlik olasılıklarının, öğrenen ve çevresel belirsizliklerden etkilenen yapay zeka ajanları için doğrudan uygulanamayacağı, bunun yerine empirik kanıtlara dayalı hibrit değerlendirmelerin gerektiği literatür eşliğinde savunulmaktadır.
Sonuç olarak, otonom insansız hava araçlarının kontrolsüz hava sahalarında güvenle uçabilmesi, dinamik güvence modellerinin geliştirilmesine ve test altyapılarının bilimsel birer enstrüman olarak kabul edilmesine bağlıdır. İsviçre merkezli LINA projesi kapsamında önerilen TESTAIR gibi takip girişimleri, teknoloji, sertifikasyon ve altyapı darboğazlarını aşarak otonom havacılıkta güvenli bir kalkış alanı yaratmaktadır.
Yazarlar, pekiştirmeli öğrenme ile model öngörülü kontrol yöntemlerinin otonom uçuş kontrolündeki sınırlarını karşılaştırırken Song ve arkadaşlarının (2023) çalışmasına atıfta bulunmaktadır. Geleneksel simülasyon ortamlarının ötesinde, gerçek dünya sınırlarını zorlayan otonom yarışlarda RL'nin dinamik uyum yeteneğinin MPC'nin model sınırlarına takılan yapısıyla harmanlanması gerektiği savunulmuştur (Bolck et al., 2026).
Yazarlar, otonom havacılıktaki güvenlik açmazlarını açıklarken otonom kara araçları alanındaki literatüre (Kenny vd., 2024) atıfta bulunarak, her iki otonom sistem disiplininin de açık ve öngörülemeyen çevre koşullarında karşılaştığı nadir ancak güvenlik açısından kritik 'uç vakaların' (edge cases) yalnızca tasarım anı doğrulamalarıyla çözülemeyeceğini vurgulamaktadır (Bolck et al., 2026).
Bu makale, otonom hava araçlarında kullanılan veri odaklı ve deterministik olmayan yapay zeka sistemlerinin sivil havacılık standartlarına entegrasyonunda karşılaşılan temel darboğazları analiz etmektedir. Mevcut literatürde yapay zeka algoritmalarının teknik başarımına yoğun bir şekilde odaklanılmasına karşın, bu sistemlerin emniyet öncelikli hava sahasında nasıl doğrulanacağına ve onay alacağına dair metodolojik yaklaşımlar oldukça sınırlıdır. Makale, otonom İHA'ların gerçek dünya ve karma trafik koşullarında emniyetli bir şekilde uçabilmesi için fiziksel ve dijital test altyapılarının sadece deneysel alanlar değil, aynı zamanda bilimsel birer doğrulama ve düzenleyici öğrenme aracı olarak konumlandırılması gerektiğini savunmaktadır.
Çalışma, otonom uçuş kontrolünde pekiştirmeli öğrenme (RL) ve model öngörülü kontrol (MPC) gibi yöntemlerin güçlü ve zayıf yönlerini önceki literatür bağlamında karşılaştırmaktadır. Özellikle Song vd. (2023) gibi otonom yarış senaryolarında yapay zekanın sınırlarını inceleyen çalışmaların üzerine inşa edilen makale, simülasyondan gerçeğe aktarım (sim-to-real) zorluklarını vurgulamaktadır. Yazar grubu, geleneksel deterministik havacılık güvenlik analizlerinin yapay zeka tabanlı dinamik sistemler için yetersiz kaldığını ortaya koyarak, literatürdeki katı doğrulama yöntemleri ile veri odaklı pratik test yaklaşımları arasındaki boşluğu kapatmaktadır.
Bu perspektif makalesi, literatüre İsviçre merkezli LINA test altyapısı örneği üzerinden 'altyapı odaklı bir güvence modeli' kazandırmaktadır. Araştırma, bilgisayarlı görü ve çok modlu büyük dil modellerinin (MLLM) İHA algıla-ve-sakın (SAA) sistemlerindeki potansiyelini değerlendirirken, bu teknolojilerin mevzuatla uyumlu hale getirilmesi için somut bir doğrulama patikası çizmektedir. Literatürde ilk kez, test sahalarının standartlaştırılması, karşılaştırılabilir veri kümelerinin üretilmesi ve otoritelerle otonom sistem geliştiricilerinin bir araya geldiği düzenleyici kum havuzlarının bilimsel değeri sistematik olarak tartışılmaktadır.
Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki araştırma taslaklarına dönüştürülmüştür.
Bu makale, yapay zekanın hızlı gelişim döngüleri ile havacılık regülasyonlarının yavaş adaptasyon süreçleri arasındaki zamansal boşluğu operasyonel verilerle temellendirmek amacıyla kullanılabilir (Bolck et al., 2026).
Makaleyle bağlantısı: Yazarların makalenin ikinci bölümünde ele aldığı, RL'nin örneklem verimsizliği ve MPC'nin nominal operasyonel limitlerin dışındaki model hassasiyeti ve bozulma iddiaları bu deneysel çalışmanın temel çıkış noktasını oluşturmaktadır (Bolck et al., 2026).
Otonom uçuş kontrol sistemlerinde veri odaklı yöntemlerin sertifikasyon engellerini ve şeffaflık kısıtlamalarını teorik çerçevede tartışırken bu çalışmanın analitik tespitlerinden faydalanılabilir (Bolck et al., 2026).
Makaleyle bağlantısı: Makalede Bölüm 3'te tartışılan, kontrolsüz karma hava sahasındaki işbirlikçi ve işbirlikçi olmayan aktör ayrımı ve yapay zeka destekli pasif algılama sistemlerine olan bağımlılık bu çalışmanın metodolojik gerekçesidir (Bolck et al., 2026).
Tez çalışmalarında simülasyon sonuçlarının gerçek dünya test altyapılarıyla nasıl desteklenmesi gerektiğini tartışırken, LINA entegre doğrulama platformunun yapısal modeli referans gösterilebilir (Bolck et al., 2026).
Makaleyle bağlantısı: Yazarların 5. sayfada tartıştığı, üretken yapay zekanın SORA süreçlerini otomatize etme potansiyeli ve bu süreçlerin şeffaf kalması gerektiğine yönelik vurgusu bu araştırmanın temel motivasyonunu sağlamaktadır (Bolck et al., 2026).
Hidrojen yakıt hücreleri, düşük sıcaklıklarda çalıştıklarında hem enerji hem de güç yoğunluğu açısından yüksek verimlilik sağlayarak bataryalara kıyasla daha uzun uçuş sürelerine imkân tanımaktadır.
Hashim A. Hashim · Results in Engineering · Mühendislik ve Teknoloji
Beşinci seviye DWT ayrıştırmasının LL5 alt bandının kullanılması, orijinal görüntünün bilgi içeriğinin %90'ından fazlasını korurken şifreleme süresini ciddi oranda azaltmaktadır.
Arslan Shafique ve 3 yazar · PLoS ONE · Mühendislik ve Teknoloji
Model düzeyinde üretken yapay zeka, bir makine öğrenimi mimarisi ile somutlaşan ve öğrenilen desenlere dayanarak yeni veri örnekleri oluşturabilen matematiksel tabanlı yapılardan ibarettir.
Stefan Feuerriegel ve 3 yazar · Business & Information Systems Engineering · Mühendislik ve Teknoloji