Robotik & Veri Analitiği

Match Scouting App'i Geliştirirken Veri Analitiğini Nasıl Kullandık?

3 Haziran 2026 8 Dakika Okuma Muhammed Emir İkiz

FIRST Robotics Competition (FRC) gibi yüksek tempolu ve stratejinin saniyeler içinde değiştiği arenalarda, sadece iyi bir robota sahip olmak şampiyonluk için yeterli değildir. Gerçek başarı; sahadaki karmaşık ve anlık verileri anlamlandırmaktan, yani doğru stratejiyi doğru veriyle beslemekten geçer. Bu vizyonla geliştirdiğimiz Match Scouting App, yarışma boyunca yüzlerce maçın verisini toplayan basit bir veri tabanı olmanın ötesine geçerek; takımımızın turnuva kaderini belirleyen bir veri analitiği merkezine dönüştü.

1. Ham Veriden Stratejik Anlama: Veri Toplama Aşaması hyyt

Bir maç gözlem (Scouting) uygulamasının temel görevi, gözlemcilerin tribünden rahatça veri girebilmesini sağlamaktır. Geliştirdiğimiz uygulamada kullanıcı deneyimini (UX) en üst düzeyde tutarak, otonom periyot, teleop (sürücü) periyodu ve oyun sonu (endgame) tırmanış verilerini anlık olarak kayıt altına aldık.

Ancak analitik süreç, bu ham verilerin sisteme girilmesiyle başlar. Toplanan metrikler arasında robotların döngü süreleri (cycle times), oyun objelerini toplama ve bırakma başarı oranları, savunma karşısındaki dirençleri ve otonom modda attıkları isabetli şutlar yer alıyordu.

2. OPR ve Gelişmiş Metriklerin Entegrasyonu ytryy ghhgj 

Uygulamamızın kalbini oluşturan analitik motorunda, FRC dünyasının en kritik istatistiksel modellerinden biri olan OPR (Offensive Power Rating - Ofansif Güç Derecesi) algoritmasını özelleştirerek kullandık. OPR, bir robotun ittifak skoruna tek başına ne kadarlık bir katkı sağladığını doğrusal cebir matrisleri kullanarak hesaplar.

  • Başarı Oranı Matrisi: Robotların sadece skor sayısını değil, deneme/isabet oranlarını analiz ederek "tutarlılık endeksi" oluşturduk.
  • Dinamik Ağırlıklandırma: Oyunun zorluk derecesine ve otonom periyottaki yüksek puanlı görevlere daha fazla ağırlık veren dinamik bir puanlama algoritması kurguladık.
  • Kazanma Olasılığı Tahmini: Karşılaşacağımız rakip ittifakların verilerini simüle ederek, maç başlamadan önce % kaç ihtimalle galip geleceğimizi tahmin eden regresyon modelleri entegre ettik.

3. Pit Alanında Zamanla Yarış: Canlı Gösterge Panelleri (Dashboards)

Yarışma sırasında pit alanında veya strateji toplantılarında satırlar dolusu sayıyı inceleyecek vaktimiz olmuyordu. Bu yüzden veriyi görselleştirme gücünden yararlandık. Geliştirdiğimiz Match Scouting App içerisindeki dinamik grafikler sayesinde:

Her robotun sahanın hangi bölgelerinden daha rahat oyun objesi topladığını gösteren ısı haritaları (heatmaps) ürettik. Çizgi ve bar grafikleriyle rakip robotların maçlar ilerledikçe performanslarının artıp artmadığını (öğrenme eğrilerini) ya da mekanik olarak yorulup yorulmadıklarını canlı olarak takip ettik.

4. İttifak Seçimlerinde Verinin Kararı (Alliance Selection)

Uygulamanın ve veri analitiğinin bize sağladığı en büyük kırılma noktası, şüphesiz play-off aşamasındaki İttifak Seçimleri (Alliance Selection) oldu. Çoğu takım popülariteye veya göz kararı izlenimlere göre seçim yaparken, biz tamamen uygulamanın ürettiği "Pick List" (Seçim Listesi) raporlarına güvendik.

Bizimle mükemmel uyum sağlayacak, savunma odaklı veya otonom modda eksik kaldığımız noktayı kapatabilecek en optimum robotu, geliştirdiğimiz analitik filtrelere dayanarak saniyeler içinde belirledik. Veriye dayalı bu strateji, ekibimizi uluslararası arenalarda ve bölgesel finallerde rakiplerimizin bir adım önüne geçirdi.

Son Söz

Match Scouting App projesi, yazılım geliştirme yetenekleri ile veri mühendisliği ilkelerinin bir robotik takımında nasıl hayat bulabileceğinin en somut kanıtıdır. Gelecekte yapay zeka destekli tahmin modellerini de ekleyerek bu analitik motoru daha da ileriye taşımayı hedefliyoruz. Unutmayın; sahada robotlar yarışır, arkada ise veriyi en iyi yöneten stratejiler kazanır!