1. KISIMŞekil 1: Arduplane Kaynak KodlarıArdupilot arduplane kaynak kodu'nu incelediğimizde karşımıza C++ ve interface amacıyla yazılmış header dosyaları gözükmekte. Amacımız, tilt rotoru incelemek üzerine olduğu için kaynak kodlarının arasında tiltrotor.cpp ve tiltrotor.h kodunu görmekteyiz (bkz. Şekil 1). Bir sonraki sayfalarda bahsettiğimiz kaynak kodlarını açıklayacağız.tiltrotor.htiltrotor.h dosyasını incelemeye geçtiğimiz esnada bizi ilk include kısımları karşılamakta.#pragma once#include #include "transition.h"#include AP_Param: bir tür build edilmiş parametre dosyasıdır. Build edildiğinde  C++ kodlarında kullanılmak amacıyla bir header file oluşturur. Bu header file ile yer kontrol yazılımı aracılığıyla (bknz. Mission Planner ve QGroundControl) veya manuel olarak oluşturulabilir. Param dosyaları cihazın ne tür olacağı, oluşturulduğu türde ne tür davranışlar sergileyeceğini belirleyen dosyalardır. Örneğin vtol uçak olarak davranış sergileyecek bir cihazın tailsitter mi yoksa multirotor mu olacağını bize bu parametreler belirler.transition: Uçağın durum geçişleri, complete durumları, yaw, pitch ve roll gibi değerlerin update'i bu kısımda yer almakta.// Örnek bir transition class'ıclass Transition{public: Transition(QuadPlane& _quadplane, AP_MotorsMulticopter*& _motors):quadplane(_quadplane),motors(_motors) {}; virtual void update() = 0; virtual void VTOL_update() = 0; virtual void force_transition_complete() = 0; virtual bool complete() const = 0; virtual void restart() = 0; virtual uint8_t get_log_transition_state() const = 0; virtual bool active_frwd() const = 0; virtual bool show_vtol_view() const = 0; virtual void set_FW_roll_pitch(int32_t& nav_pitch_cd, int32_t& nav_roll_cd) {}; virtual bool set_FW_roll_limit(int32_t& roll_limit_cd) { return false; }AP_Logger: İnsansız aracın, durum değişkenleri karşısında (örneğin: takeoff'dan flight mode'a geçmesi) verdiği  Uyarı/Kabul/Red durumlarını terminal çıktısı ve log dosyası olarak veren logging kütüphanesi.Kaynak kodlarının tümünü incelediğimizde AP_Logger, transition ve AP_Param dosyalarının kaynak kodlarının bütününde import edildiğini ve kodların belirli bir şablona bağlı kalarak yapıyı ve mimariyi okunaklı bir şekilde geliştirdiğini anlayabiliriz.2. KISIM: tiltrotor.cppKısaca, insansız araçlardaki hareket mekaniğinin ve komutların durum dönüşümlerine bağlı olarak çalıştığını ve belirli parametrelere göre davranış sergilediğini; ayrıca ana C++ dosyasında kullanılacak tüm bileşenlerin header dosyasında tanımlandığını ve asıl kod ile algoritmanın tiltrotor.cpp üzerinde yürütüldüğünü anlamış olduk.2.1. void Tiltrotor::setup(): if (!enable.configured() && ((tilt_mask != 0) || (type == TILT_TYPE_BICOPTER))) { enable.set_and_save(1); } if (enable = 1) { const uint32_t mask = is_zero(new_throttle) ? 0 : tilt_mask.get(); // the motors are all the way forward, start using them for fwd thrust motors->output_motor_mask(new_throttle, mask, plane.rudder_dt); } } else { binary_slew(false); }}Yorum satırı bize şu bilgiyi veriyor:Eğer vtol modda değilsek:Tamamen sabit kanat modundayız. Eğimli motorlarıtamamen öne doğru hareket ettirin ve onları ileri motor olarak çalıştırın.`binary_slew(true)`  Motorlari yatırmaya başlar."throttle command" verisini alıp, motorun anlayacağı bir dile çeviriyor. Bir nevi "birim dönüştürücü" diyebiliriz. if (current_tilt >= 1) { const uint32_t mask = is_zero(new_throttle) ? 0 : tilt_mask.get(); // the motors are all the way forward, start using them for fwd thrust motors->output_motor_mask(new_throttle, mask, plane.rudder_dt); }Bu kod parçacığının içindeki yorum satırı zaten bize gerekli bilgiyi vermişmotorlar tamamen öne doğru, ileri itiş için kullanmaya başlayani; `if(current_tilt) >= 1)` motorların tamamen öne doğru olup olmadığıyla ilgili bir koşul(statement).void Tiltrotor::continuous_update(void): // default to inactive _motors_active = false; // the maximum rate of throttle change float max_change; Motor durumu: varsayılan => inaktifitki değişiminin maksimum oranı `max_change`  şu anki tahmine göre fonksiyon içerisinde declare edilip döngü veya statement içinde güncel throttle ile kıyaslanması durumunda maximumun atanacağı değişken olarak tanımlanmış olabilir. if (!quadplane.in_vtol_mode() && (!plane.arming.is_armed_and_safety_off() || !quadplane.assisted_flight)) { // we are in pure fixed wing mode. Move the tiltable motors all the way forward and run them as // a forward motor // option set then if disarmed move to VTOL position to prevent ground strikes, allow tilt forward in manual mode for testing const bool disarmed_tilt_up = !plane.arming.is_armed_and_safety_off() && (plane.control_mode != &plane.mode_manual) && quadplane.option_is_set(QuadPlane::Option::DISARMED_TILT_UP); slew(disarmed_tilt_up ? 0.0 : get_forward_flight_tilt()); max_change = tilt_max_change(false); float new_throttle = constrain_float(SRV_Channels::get_output_scaled(SRV_Channel::k_throttle)*0.01, 0, 1); if (current_tilt < get_fully_forward_tilt()) { current_throttle = constrain_float(new_throttle, current_throttle-max_change, current_throttle+max_change); } else { current_throttle = new_throttle; } if (!plane.arming.is_armed_and_safety_off()) { current_throttle = 0; } else { // prevent motor shutdown _motors_active = true; } if (!quadplane.motor_test.running) { // the motors are all the way forward, start using them for fwd thrust const uint32_t mask = is_zero(current_throttle) ? 0U : tilt_mask.get(); motors->output_motor_mask(current_throttle, mask, plane.rudder_dt); } return; }if (!quadplane.in_vtol_mode() && (!plane.arming.is_armed_and_safety_off() || !quadplane.assisted_flight)) {Bu parçacıktaki koşul şu;Araç şu an vtol modundaysa ve arm edilmemişse veyahut yardımlı uçuş aktif değilseve sonrasında şu yorum satırları bizi doğrulamış olurTamamen sabit kanat modundayız. Eğilebilir motorları tamamen öne doğru hareket ettirin ve ileri motor olarak çalıştırın. // option set then if disarmed move to VTOL position to prevent ground strikes, allow tilt forward in manual mode for testing const bool disarmed_tilt_up = !plane.arming.is_armed_and_safety_off() && (plane.control_mode != &plane.mode_manual) && quadplane.option_is_set(QuadPlane::Option::DISARMED_TILT_UP); slew(disarmed_tilt_up ? 0.0 : get_forward_flight_tilt());Bu parçacıktaki yorum satırı bize şunu söylüyor:Seçenek aktifse; motorlar kilitliyken (disarm) pervanelerin yere çarpmasını önlemek için VTOL konumuna geç, test işlemleri için manuel modda motorların ileri doğru yatmasına izin ver.Aslında baktığımız zaman, kodlardaki geliştirici kodları bizim bütün sorularımızın cevabını veriyor. Yorum satırlarındaki cümleleri kod satırlarındaki keywordlerle bağdaştırmaya çalışırsak gerçekten ilk bakışta kodun ne olduğunu anlayabiliyoruz.Açık kaynak kodların yeni projelere adapte olabilmesinin sebebi bu işte. Geliştirici işini iyi yapıyorsa çok fazla irdelememize gerek kalmıyor. Hem kod bakımından hem de yorum satırlarındaki notlar bakımından.Konumuza geri dönecek olursak bu if bloğu içerisinde olası farklı durumlarda kalkış esnasında çarpışma önleme(collision prevention) sağlanmakta. // remember the throttle level we're using for VTOL flight float motors_throttle = motors->get_throttle(); max_change = tilt_max_change(motors_throttle 1) Q_FWD_THR_USE tarafından belirlenen Q_AUTOTUNE hariç VTOL modlarında Q_FWD_THR_GAIN tarafından kontrol edilen ileri gaz kelebeği kullanımı. 2) Manuel ileri gaz kelebeği kontrolü ile QACRO, QSTABILIZE ve QHOVER için3) RC girişi veya hesaplanan ileri gaz değeri olmadan, açı

Günümüz robotik ve otomasyon sistemleri ivmeli ve kesintisiz bir şekilde gelişmektedir. Bu gelişmelerin büyük çoğunluğunda yapay zeka teknolojileri önemli bir rol oynamaktadır. Aslında tüm bu çalışmaların temelinde, “İnsan gibi düşünebilen ancak belirli işleri insandan daha hızlı, daha verimli ve daha hatasız şekilde yerine getirebilen sistemleri nasıl üretiriz?” sorusu yatmaktadır. İçinde bulunduğumuz son yüzyılda robotik teknolojilerinin pek çok somut örneği görülmektedir. Örneğin; üretim tesislerinde kullanılan endüstriyel robot kolları, arazi çalışmalarında görev yapan süspansiyon sistemine sahip insansız kara araçları, gözetleme ve görüntüleme amacıyla kullanılan dronlar ile dil modelleriyle çalışan akıllı ev sistemleri… Tüm bu teknolojiler, insanların yapabileceğinden çok daha uzun süre ve çok daha yüksek hızda görevlerini yerine getirebilmektedir.Örnek verdiğimiz tüm bu teknolojilerin içerisinde, iyi ya da kötü, bir tür yapay zeka bulunmaktadır. Bu sistemlerin bazıları basit istatistiksel verilerle öğrendiğini uygulamakla kalırken, bazıları ise güçlü ve çok sayıda bilgisayarın kullanılmasını gerektiren, hesaplama kapasitesi yüksek ve mimari açıdan oldukça karmaşık yapılarla donatılmıştır.Yapay zeka kümesi içinde “basit” olarak nitelendirdiğimiz bölüm aslında makine öğrenmesi alanını kapsamaktadır ve kapsamlı bir sinir ağı içermez. Bu yaklaşım, istatistik ve analiz yöntemlerini kullanarak geleceğe yönelik tahminler yapmaya dayanır. Bunun bir üst kümesi ise, karmaşık ve çok katmanlı sinir ağlarını içeren derin öğrenmedir. Örneğin, günümüz dil modellerinde kullanılan Transformer mimarisi oldukça karmaşık bir yapıya sahiptir. Detaylara girmeden ifade edecek olursak, insan benzeri sohbet edebilen bir dil modelini eğitmek için milyarlarca parametre gerekir; bu da kişisel bilgisayarların karşılayamayacağı kadar yüksek bir hesaplama maliyeti demektir.Otonom sistemlerde yapay zeka modellerini çalıştırabilmek için özel olarak tasarlanmış geliştirme kartları kullanılmaktadır. Bu kartlar, oyun bilgisayarlarında bulunan grafik odaklı teknolojiler—örneğin render motorları veya DLSS gibi görüntü iyileştirme sistemleri—için tasarlanmamıştır. Bunun yerine, tamamen matematiksel işlem gücü, paralel hesaplama kapasitesi ve düşük güç tüketimi üzerine optimize edilmiş yapılardır. NVIDIA Jetson serisi, Google Coral TPU, Intel Movidius NPU ve çeşitli FPGA tabanlı kartlar, özellikle yapay zeka işlemlerinde kullanılan matris çarpmaları ve tensör hesaplamalarını hızlandırmak için üretilmiştir. Bu nedenle watt başına performans açısından bakıldığında, avuç içi büyüklüğündeki bu cihazlar bazı görevlerde yüksek güçlü RTX ekran kartlarına kıyasla çok daha verimli çalışabilmektedir. Ancak toplam işlem gücü açısından elbette büyük GPU’ların yerini alamazlar; sadece belirli yapay zeka iş yüklerinde optimize edilmiş bir verimlilik sunarlar. Yine de, bu cihazlar bile modern büyük ölçekli yapay zeka modellerini—özellikle milyarlarca parametreli LLM’leri veya büyük görüntü modellerini—gerçek zamanlı olarak çalıştırmakta zorlanabilir. Bu nedenle, bu tür yüksek hesaplama gerektiren uygulamalarda bulut tabanlı yapay zeka API’lerini kullanmak çoğu zaman hem daha ekonomik hem de daha pratik bir çözüm hâline gelmektedir.Robotik, diğer bir ifadeyle otonom sistem teknolojilerinde kullanılan yapay zekâ yöntemleri, farklı problem alanlarına göre çeşitli kategorilere ayrılabilir. Yol planlama gibi görevlerde pekiştirmeli öğrenme yaklaşımları kullanılırken, görüntü işleme alanında ağırlıklı olarak CNN tabanlı mimariler tercih edilir. Nesne tanıma veya segmentasyon gerektiren durumlarda ise, literatürde “object localization” olarak adlandırılan ve hem nesnenin ne olduğunu hem de görüntü üzerindeki konumunu belirleyebilen YOLO, R-CNN ve SSD gibi mimariler öne çıkar.Bu durum, elbette robotik sistemin kullanıldığı sektör ve amaca göre değişiklik gösterebilir. Güvenlik odaklı uygulamalarda, bireylerin tanımlanması ve kimlik tespiti için yüz tanıma (recognition) tabanlı sistemler tercih edilirken; bir hava aracının çevresindeki nesnelere göre hareket etmesinin istendiği senaryolarda, nesnenin hem türünü hem de konumunu belirleyebilen nesne tespiti (object localization) yaklaşımları kullanılır. Benzer şekilde, kara veya otonom araçlarda yol planlama problemleri; genetik algoritmalar, denetimsiz öğrenme yöntemleri ya da pekiştirmeli öğrenme tabanlı yaklaşımlarla ele alınabilir. Tüm bu yöntemlerin seçimi, sistemden beklenen performans, gerçek zamanlı çalışma gereksinimleri ve donanım kısıtları gibi faktörlere bağlı olarak şekillenir.Günümüz teknolojileri, özellikle otonom sistemler ve yapay zekâ alanında hızla gelişerek tıp, hukuk, askeriye ve daha birçok branşa entegre edilmektedir. Bu sistemler, insan hatasını azaltarak karar alma süreçlerini hızlandırmakta ve verimliliği artırmaktadır. Teknolojinin bu denli hızlı ilerlemesi, mesleklerin dönüşmesine ve yeni çalışma alanlarının ortaya çıkmasına neden olmaktadır. Bu nedenle bireylerin yalnızca bilgi sahibi olması değil, aynı zamanda gelişmeleri yakından takip ederek güncel kalması da büyük önem taşımaktadır. 21. yüzyıl, teknolojik yetkinliğin ve sürekli öğrenmenin başarıyı belirlediği bir çağdır.  

Savunma sanayii, geleneksel askeri platformların ve taktiklerin ötesine geçerek, yapay zeka (YZ) ve otonom sistemlerin yön verdiği köklü bir dönüşümden geçiyor[1]. Bu teknolojiler, sadece savaş araçlarını ve sistemlerini değil, aynı zamanda askeri doktrinleri, stratejik karar alma süreçlerini ve ulusal güvenlik paradigmalarını da yeniden şekillendiriyor[1]. Bu nedenle, savunma sanayiinde başarılı olmanın anahtarı, yapay zeka ve otonom sistemlere yönelik güçlü Ar-Ge stratejileri geliştirmek ve bu teknolojileri etkin bir şekilde entegre edebilmekten geçiyor[1].Askeri teknolojilerde yapay zeka ve otonom sistemlerinin kullanılmasındaki asıl gaye ise personel kaybını mümkün olduğunca en aza indirirerek daha hızlı, daha taktiksel ve başarılı operasyonlar geliştirmektir.Çok uzak değil, bundan 10 yıl önce yapay zeka teknolojisinin bugünkü kadar gelişmiş olmamasının yanında; bilginin çeşitliliği ve kaynak erişimi günümüz kadar yaygın değildi. Dolayısıyla savunma sanayi tarafında, otonom veyahut insansız teknolojiler çok nadiren bir tür AR-GE projesi olarak sunulmaktaydı. Günümüzde teknolojinin gelişmesi ve yapay zeka modellerinin çeşitliliği savunma sanayinde de gelişmeleri oldukça hızlandırmıştır. Türkiye’nin Savunma Sanayinde Yapay Zeka YatırımlarıTürkiye, savunma sanayisinde yapay zeka ve otonom sistemlere yönelik yaptığı yatırımlarla bölgesel ve küresel bir güç haline gelmeyi hedefliyor. ASELSAN, HAVELSAN, ROKETSAN ve TUSAŞ gibi önde gelen savunma sanayii kuruluşları, yapay zeka tabanlı çözümler geliştirmekte ve bu teknolojileri askeri platformlara entegre etmektedir[4].1. İnsansız Hava Araçları (İHA) ve Yapay Zeka EntegrasyonuTürkiye, özellikle İHA teknolojilerinde dünya çapında tanınan bir ülke haline gelmiştir. Bayraktar TB2 ve ANKA gibi yerli üretim insansız hava araçları, sahada etkin şekilde kullanılan yapay zeka tabanlı sistemlerle donatılmıştır[4]. Bu araçlar, tehdit algılama, hedef belirleme ve otonom operasyon yetenekleri sayesinde savaş alanında operasyonel başarı sağlamaktadır[4].AI Destekli Görüntü İşleme Sistemleri: İHA’larda kullanılan yapay zeka tabanlı görüntü işleme sistemleri, düşman unsurlarını hızlı bir şekilde tespit ederek anında analiz yapabilmektedir[4]. Bu sistemler, keşif ve gözetleme operasyonlarında büyük avantaj sağlar[4].Otonom Hedef Takibi: İHA’lar, yapay zeka sayesinde otonom olarak hedef takip edebilir ve saldırı görevlerini başarıyla yerine getirebilir[4].2. Otonom Kara AraçlarıSavunma sanayisinde kara operasyonları için geliştirilen otonom sistemler, Türkiye’nin teknolojiye dayalı savunma kapasitesini artırmaktadır[4]. ASELSAN tarafından geliştirilen otonom kara araçları, yapay zeka ve sensör teknolojileri ile donatılarak insan müdahalesine ihtiyaç duymadan görev yapabilmektedir[4].Otonom Keşif ve Gözetleme: Otonom kara araçları, sahada keşif yapabilir, tehditleri tespit edebilir ve düşman unsurlarına karşı savunma yapabilir[4]. Yapay zeka tabanlı karar alma sistemleri, bu araçların tehditleri hızla değerlendirmesini sağlar[4].Gelişmiş Sensör Sistemleri: Yapay zeka, bu araçların çevresel koşulları analiz ederek güvenli bir şekilde ilerlemesini ve tehditlerden kaçınmasını sağlar[4].3. Deniz Platformlarında Otonom SistemlerYapay zeka teknolojileri, deniz platformlarında da büyük bir dönüşüm yaratıyor[4]. Türkiye, insansız deniz araçları (İDA) geliştirmekte ve bu araçlara yapay zeka entegre etmektedir[4]. Bu sistemler, deniz güvenliği, mayın tespiti ve su altı tehditlerine karşı etkili savunma sağlar[4].Otonom Deniz Devriyesi: İDA’lar, yapay zeka desteği ile deniz sınırlarında devriye yapabilir, su üstü ve su altı tehditlerini tespit ederek müdahalede bulunabilir[4].Yapay Zeka Tabanlı Mayın Tespit Sistemleri: Su altı tehditlerine karşı yapay zeka tabanlı sensörler kullanılarak mayın tespiti yapılabilir ve güvenli deniz operasyonları yürütülebilir[4].ASELSAN MILKED-3A3Düşman iletişimlerinin tespiti, analizi (dil dahil) konuşma ve konuşmacı tanıma için üretilmiş olan mobil elektronik denetleme sistemi[3].BAYRAKTAR TB2T-AIArazi referanslı görsel seyir, otonom kalkış/iniş, hedef analizi, acil durumda üsse otomatik dönüş sağlayabilen VTOL İHA platformu[3]STM SAVUNMA TOGANGPS olmayan ortamlarda yapay zeka ile nvigasyon görevini gerçekleştiren taktisel İHA/Quadcopter platformu[3].ASELSAN DERINGOZ Son teknoloji özelliklerle donatılan Deringöz, yüksek manevra kabiliyeti, hassas navigasyon yetenekleri ve çeşitli görev gereksinimlerini karşılayacak şekilde özelleştirme kapasitesine sahiptir. Gelişmiş optik ve sonar görüntüleme teknolojileri, güçlü kablosuz iletişim altyapısıyla birlikte su altı operasyuonlarında yeni bir standart belirlemektedir[5].Bilgisayar Mühendisleri İçin Kapsamlar:Savunma sanayileri, çalışmalarınının bazılarını alt kuruluşlar veya bireyler ile gerçekleştirebilir. Geliştirdiğiniz projeler yeterince iyiyse bu kuruluşlara satabilir veyahut bu kuruluşlarda çalışmaya hak kazanabilirsiniz. Hatta en iyisi hibe bile alabilirsiniz. Bu konuda kendisini geliştirmek isteyen bilgisayar mühendisleri için siber güvenlikten yapay zekaya kadar bir yelpaze beklemektedir. Ancak sunum konusu gereği otonom ve yapay zeka tarafında neleri bilmek icap eder biraz da ondan bahsedebiliriz.Savunma Sanayiinde Otonom Sistem Geliştirme: Stratejik Yetkinlikler ve Mühendislik YaklaşımıSavunma sanayii, günümüzde çalışmalarının önemli bir kısmını alt yükleniciler, yetenekli KOBİ'ler ve bağımsız araştırmacılar ile gerçekleştiren geniş bir ekosisteme dönüşmüştür. Geliştirilen projelerin mühendislik derinliği ve saha uygulanabilirliği yeterli seviyedeyse, bu çalışmaların sektöre entegre edilmesi, stratejik ortaklıkların kurulması ve hatta devlet destekli hibe programlarıyla ödüllendirilmesi mümkündür.Siber güvenlikten yapay zekaya kadar geniş bir spektrumu kapsayan bu alanda, özellikle Otonom Sistemler üzerine çalışmak isteyen mühendisler için teknik beklentiler, standart yazılım süreçlerinden farklılaşmaktadır. Başarıya giden yol, belirli araçları ezberlemekten değil; mimariyi, donanımı ve algoritmaları kavramsal düzeyde yönetebilmekten geçer.İşte bu alanda çalışacak bir mühendisin sahip olması gereken temel yetkinlik haritası:1. Dağıtık Sistem Mimarisi ve İletişim AltyapısıOtonom bir sistem, tek bir merkezi yazılımdan ibaret değildir; sensörlerin, karar destek mekanizmalarının ve motor sürücülerinin eş zamanlı çalıştığı dağıtık bir yapıdır. Bu nedenle mühendislerin monolitik (tek parça) yazılımlar yerine, modüler mimarilere hakim olması gerekir.Ara Katman Yazılımları (Middleware): Sistemin farklı bileşenlerinin (örneğin kameradan gelen veri ile motor kontrolcüsü) birbiriyle konuşabilmesi için dağıtık iletişim altyapıları kullanılır. Bu yapıda, verilerin düğümler (nodes) arasında nasıl paketlendiğini ve taşındığını anlamak esastır.Ağ Programlama ve Veri Protokolleri: Hazır iletişim katmanlarının yetersiz kaldığı durumlarda, birimler arası ham veri transferini yönetebilmek gerekir. Veri bütünlüğünün kritik olduğu durumlar ile hızın öncelikli olduğu (görüntü akışı gibi) durumlar arasındaki protokol farklarını bilmek ve buna uygun soket mimarileri tasarlamak, sistemin kararlılığı için zorunluluktur.2. Yazılım Dili Seçimi: Yüksek Seviyeden Donanım SeviyesineOtonom sistemlerde tek bir programlama dili ile tüm süreçleri yönetmek mümkün değildir. Mühendisler, problemin doğasına göre farklı soyutlama seviyelerindeki dilleri hibrit bir şekilde kullanabilmelidir.Yüksek Seviyeli Diller ile Modelleme: Yapay zeka modellerinin eğitimi, veri analitiği ve hızlı prototipleme süreçlerinde; insan algısına daha yakın, esnek ve geliştirme hızı yüksek olan diller tercih edilir. Bu aşama, algoritmanın mantığının oturtulduğu yerdir.Orta ve Düşük Seviyeli Diller ile Optimizasyon: Geliştirilen algoritmaların sahada, kısıtlı enerji ve işlem gücüne sahip donanımlar üzerinde gecikmesiz çalışabilmesi (Real-Time) gerekir. Bu noktada, bellek yönetimine (memory management) doğrudan izin veren, donanım kaynaklarına ve işlemci kayıtçılarına (registers) doğrudan erişebilen orta veya düşük seviyeli diller devreye girer. Yazılımın donanım üzerindeki fiziksel karşılığını bilmek, performansı belirleyen ana faktördür.3. Simülasyon ve Dijital İkiz YaklaşımıMaliyetli ve stratejik donanımları riske atmamak adına, yazılım geliştirme süreci fiziksel dünyadan önce sanal dünyada başlar.Sanal Doğrulama: Aracın ve çevresel koşulların birebir modellendiği fizik tabanlı simülasyon ortamlarında yazılım test edilmelidir.Senaryo Bazlı Geliştirme: Otonom sistem, sanal ortamda oluşturulan zorlu hava koşulları veya sensör hataları gibi senaryolara karşı dayanıklılık testinden geçirilmeli; ancak bu aşamadan sonra "kaliteli ve güvenilir yazılım" olarak nitelendirilip sahaya indirilmelidir.4. Görüntü İşleme ve Algoritmik DerinlikOtonom sistemin çevresini algılaması için kullanılan görüntü işleme teknikleri, sadece hazır fonksiyonların çağrılmasından ibaret olmamalıdır.Mühendis, ham sensör verisini (görüntü, derinlik, radar sinyali) matematiksel matrisler olarak görebilmeli ve bu veriyi işleyerek anlamlı hale getirecek özgün algoritmalar geliştirebilmelidir.Farklı sensörlerden gelen verilerin birleştirilerek (sensör füzyonu) ortam haritasının çıkarılması ve konumlandırma yapılması, otonominin temel taşıdır.KAYNAKÇALAR:1 - SAVUNMA SANAYINDE YAPAY ZEKA VE OTONOM SISTEMLER2- Baykartech Yapay Zeka3- Savunma sanayi başkanlığından yapay zeka raporu4- Savunma sanayinde yapay zeka 5- Military Africa