التعلم الآلي في المركبات ذاتية القيادة: دليل 2026

ملخص سريع: يُعدّ التعلّم الآلي التقنية الأساسية التي تُمكّن المركبات ذاتية القيادة من إدراك بيئتها، واتخاذ القرارات في الوقت الفعلي، والتنقل بأمان دون تدخل بشري. فمن خلال خوارزميات التعلّم العميق، والشبكات العصبية، ومجموعات البيانات الضخمة المُستقاة من أجهزة الاستشعار مثل الكاميرات وتقنية الليدار، تتعلم السيارات ذاتية القيادة تحديد الأجسام، والتنبؤ بسلوك المشاة، وتحسين استراتيجيات القيادة. وقد أظهرت دراسة Brain4Cars التي أجرتها جامعة ستانفورد أن التنبؤ بالمناورات باستخدام التعلّم الآلي قد حسّن الدقة من 77.4% إلى 90.5%، مما يُبرز التطور السريع لهذه التقنية نحو نقل ذاتي أكثر أمانًا وموثوقية.

لم تعد السيارات ذاتية القيادة ضرباً من الخيال العلمي. إنها تسير في شوارع حقيقية، وتعالج ملايين البيانات كل ثانية، وتتخذ قرارات في أجزاء من الثانية من شأنها أن تربك السائقين البشريين.

لكن الأمر المهم هو: لا شيء من هذا يحدث عبر البرمجة التقليدية. لا يمكن برمجة البرنامج بقواعد لكل سيناريو محتمل، فالمتغيرات كثيرة للغاية. بدلاً من ذلك، تعتمد المركبات ذاتية القيادة على التعلم الآلي لتعليم نفسها كيفية القيادة.

بحسب شركة فاكتس آند فاكتورز، قُدّر حجم سوق المركبات ذاتية القيادة عالميًا بـ 23.33 مليار دولار أمريكي في عام 2020، ومن المتوقع أن يتجاوز 64 مليار دولار أمريكي بحلول عام 2026، بمعدل نمو سنوي مركب قدره 22.71 مليار دولار أمريكي. ويعكس هذا النمو الهائل كلاً من التطورات التكنولوجية المتسارعة وتزايد ثقة القطاع في الأنظمة المدعومة بتقنيات التعلم الآلي.

يشرح هذا الدليل بالتفصيل كيف يحول التعلم الآلي بيانات المستشعرات إلى قيادة ذاتية آمنة وموثوقة - من الإدراك والتنبؤ إلى أنظمة التحكم والاختبارات في العالم الحقيقي.

فهم دور التعلم الآلي في القيادة الذاتية

يختلف التعلم الآلي اختلافاً جوهرياً عن تطوير البرمجيات التقليدية. فالبرامج التقليدية تتبع تعليمات صريحة: إذا اكتشف مستشعر وجود جسم ما ضمن مسافة X متر، يتم تنفيذ الإجراء Y.

تواجه السيارات ذاتية القيادة سيناريوهات لا يمكن لأي مبرمج أن يتوقعها. أحد المشاة يرتدي زيًا تنكريًا. مرتبة تطير من شاحنة. شرطي يوجه حركة المرور يدويًا بإشارات اليد.

تتعلم خوارزميات التعلم الآلي الأنماط من مجموعات البيانات الضخمة بدلاً من اتباع قواعد ثابتة. تعالج المركبة بيانات قيادة تمتد لآلاف الأميال، وتحدد العلاقات بين مدخلات المستشعرات واستجابات القيادة المثلى.

كما أشار أحد كبار علماء البيانات في مناقشات حول تطوير المركبات ذاتية القيادة، فإن "90%، أو حتى أكثر من 90% من التعلم الآلي يتعلق بالبيانات وكيفية التعامل معها. ثم تأتي النسبة المئوية الصغيرة الأخيرة وهي الخوارزميات".“

يشكل هذا الواقع القائم على البيانات كل جانب من جوانب تطوير المركبات ذاتية القيادة.

الركائز الثلاث للأنظمة المستقلة المدفوعة بالتعلم الآلي

يعمل التعلم الآلي في السيارات ذاتية القيادة عبر ثلاثة مجالات مترابطة:

• تحوّل تقنية الإدراك بيانات المستشعرات الخام إلى فهم دلالي. وتحدد الشبكات العصبية العميقة المركبات والمشاة وعلامات المسارات وإشارات المرور وعوائق الطريق من صور الكاميرا وسحب نقاط LiDAR.
• تتنبأ هذه التقنية بسلوك مستخدمي الطريق الآخرين. هل سيعبر المشاة ممر المشاة؟ هل ستغير السيارة المجاورة مسارها؟ تُنتج نماذج التعلم الآلي المدربة على أنماط القيادة البشرية تنبؤات احتمالية للحركة المستقبلية.
• يُحدد التخطيط والتحكم تصرفات المركبة بناءً على مخرجات الإدراك والتنبؤ. تعمل خوارزميات التعلم المعزز على تحسين اختيار المسار، وتعديل السرعة، والمناورة للوصول إلى الوجهات بأمان وكفاءة.

تعمل هذه الأنظمة بالتوازي، حيث تغذي البيانات باستمرار من خلال خطوط معالجة تعمل في أجزاء من الثانية.

قم ببناء أنظمة تعلم آلي للمركبات ذاتية القيادة باستخدام الذكاء الاصطناعي المتفوق

تعتمد أنظمة المركبات ذاتية القيادة على بيانات الاستشعار واسعة النطاق، ورؤية الكمبيوتر، ونماذج التنبؤ، وسير العمليات التشغيلية في الوقت الفعلي. متفوقة الذكاء الاصطناعي بإمكانهم مساعدة الفرق في هيكلة مشاريع التعلم الآلي لأبحاث المركبات ذاتية القيادة وتطوير البرمجيات. تشمل خدماتهم الاستشارات في مجال الذكاء الاصطناعي، والتعلم الآلي، والتعلم العميق، وتطوير رؤية الحاسوب، وهندسة برمجيات الذكاء الاصطناعي، وتطوير نماذج إثبات المفهوم، وتقييم النماذج.

بإمكان شركة AI Superior دعم مشاريع المركبات ذاتية القيادة من خلال:

• مراجعة مجموعات بيانات المستشعرات والصور والبيانات التشغيلية
• تطوير أنظمة الكشف أو التصنيف أو التنبؤ
• تحديد حالات استخدام رؤية الحاسوب والتعلم الآلي
• بناء نماذج أولية للمركبات لإثبات المفهوم
• تقييم الأداء التشغيلي وموثوقية النموذج
• دعم نشر الذكاء الاصطناعي وتحسينه
• تخطيط التكامل مع بيئات البرمجيات الحالية

بالنسبة للمركبات ذاتية القيادة، قد ينطبق هذا على اكتشاف الأجسام، والتنبؤ بالمسار، وتحليل أجهزة الاستشعار، ومراقبة حركة المرور، وأنظمة الإدراك البصري، ونماذج دعم اتخاذ القرار في المركبات.

تحدث مع الذكاء الاصطناعي المتفوق حول سير العمل التطويري.

التعلم العميق للإدراك: تعليم السيارات الرؤية

يمثل الإدراك التحدي الأساسي للقيادة الذاتية. يجب على المركبات ذاتية القيادة تفسير محيطها بموثوقية فائقة، والعمل في جميع الظروف الجوية وسيناريوهات الإضاءة.

لقد برزت رؤية الكمبيوتر المدعومة بالشبكات العصبية الالتفافية (CNNs) كنهج مهيمن.

الكشف عن الأجسام وتصنيفها

تقوم نماذج التعلم العميق بمعالجة لقطات الكاميرا لتحديد وتصنيف الأجسام في بيئة القيادة. تتعلم هذه الشبكات تمثيلات هرمية للميزات - حيث تكتشف الطبقات المبكرة الحواف والقوام، بينما تتعرف الطبقات الأعمق على الأنماط المعقدة مثل أشكال المركبات أو وضعيات المشاة.

أثبتت بنى الكشف عن الأجسام المتعددة فعاليتها:

• تقوم تقنية YOLO (أنت تنظر مرة واحدة فقط) بمعالجة الصور بأكملها في تمريرة أمامية واحدة، مما يحقق أداءً في الوقت الفعلي مناسبًا للحوسبة المدمجة.
• تستخدم خوارزمية Faster R-CNN شبكات اقتراح المناطق لتركيز الموارد الحسابية على المناطق التي يُحتمل أن تحتوي على كائنات
• يوازن EfficientDet بين الدقة والكفاءة من خلال التوسع المركب لبنية الشبكة

يشير باحثون من معهد ماساتشوستس للتكنولوجيا، يعملون على أنظمة إدراك محسّنة، إلى أن المركبات ذاتية القيادة تحتاج إلى إدراك آلي أكثر دقة لتسريع تحسينات السلامة. ويركز تطوير خوارزمياتهم على حماية كل من المركبات ذاتية القيادة ومستخدمي الطريق الآخرين من خلال اكتشاف أكثر موثوقية للأجسام.

بصراحة، التحدي لا يقتصر على رصد الأجسام فحسب، بل يكمن في الحفاظ على دقة الرصد في ظل ظروف متغيرة. مثلاً، أحد المشاة محجوب جزئياً بسيارة متوقفة، أو لافتات الطرق مغطاة بالثلوج، أو دراجات نارية تشق طريقها بين المسارات في زحام مروري كثيف.

التجزئة الدلالية لفهم المشهد

إلى جانب تحديد الأجسام المنفصلة، تحتاج المركبات ذاتية القيادة إلى فهم دقيق لبيئتها على مستوى البكسل. يقوم التجزئة الدلالية بتصنيف كل بكسل في الصورة إلى فئة معينة: سطح قابل للقيادة، رصيف، نباتات، سماء، مبنى.

يُمكّن هذا الفهم الدقيق للمشهد من تخطيط المسار بدقة. تعرف المركبة بالضبط أين يمكنها القيادة بأمان، وما هي المناطق التي تمثل عوائق أو مناطق محظورة.

تتفوق الشبكات مثل DeepLab و U-Net في هذه المهمة، باستخدام بنى التشفير وفك التشفير التي تلتقط كلاً من المعلومات الدلالية عالية المستوى والتفاصيل المكانية الدقيقة.

دمج البيانات الحسية والتعلم متعدد الوسائط

لا يوفر أي مستشعر بمفرده إدراكًا بيئيًا كاملًا. توفر الكاميرات معلومات بصرية غنية، لكنها تعاني من ضعف في إدراك العمق. يُنتج نظام LiDAR سحبًا نقطية ثلاثية الأبعاد دقيقة، لكنه لا يوفر بيانات عن اللون أو الملمس. يخترق الرادار الضباب والمطر، لكنه يوفر دقة أقل.

تدمج نماذج التعلم الآلي البيانات من أجهزة استشعار متعددة، مستفيدة من نقاط قوتها التكميلية. تعالج الشبكات العصبية متعددة الوسائط المدخلات من الكاميرات، وأجهزة LiDAR، والرادار، ونظام تحديد المواقع العالمي (GPS) في وقت واحد، وتتعلم العلاقات المتبادلة بين أنواع أجهزة الاستشعار المختلفة.

يُظهر بحث Brain4Cars الذي أجرته جامعة ستانفورد هذا النهج متعدد المستشعرات: "يأتي سياق توقع المناورة من مستشعرات متعددة مثبتة على السيارة". يدمج نظامهم المتكامل لقطات الكاميرا وبيانات نظام تحديد المواقع العالمي (GPS) وديناميكيات السيارة للتنبؤ بنوايا السائق.

يُوفر هذا الدمج متانة النظام. فإذا تعطل أحد المستشعرات أو قدم بيانات غير موثوقة، يستمر النظام في العمل بالاعتماد على المدخلات الأخرى.

التنبؤ: استشراف السلوك البشري

لا يمثل اكتشاف الأجسام سوى نصف التحدي. يجب على المركبات ذاتية القيادة أن تتنبأ بكيفية تحرك تلك الأجسام، وخاصة البشر الذين يصعب التنبؤ بتصرفاتهم.

يُغيّر المشاة اتجاههم فجأة. ويُجري السائقون تغييرات مفاجئة في مساراتهم. ويتفادى راكبو الدراجات الحفر. وتتعلم نماذج التنبؤ بالتعلم الآلي هذه الأنماط السلوكية من البيانات الرصدية.

التنبؤ بالمسار

تقوم نماذج التنبؤ بالمسار بتقدير المواقع المستقبلية للمركبات والمشاة وراكبي الدراجات بناءً على حركتهم الحالية وأنماط سلوكهم التاريخية.

تستخدم هذه الأنظمة عادةً الشبكات العصبية المتكررة (RNNs) أو بنى المحولات التي تعالج البيانات المتسلسلة. تراقب الشبكة حركة الجسم على مدى عدة ثوانٍ، ثم تُنشئ تنبؤات احتمالية بمكان وجود هذا الجسم خلال 1-10 ثوانٍ في المستقبل.

أظهرت أبحاث Brain4Cars التي أجرتها جامعة ستانفورد تحسناً في توقع المناورات من حيث الدقة من 77.4% إلى 90.5% والتذكر من 71.2% إلى 87.4%، مع تحسينات ملحوظة في قدرات توقع المناورات.

ليست هذه تحسينات بسيطة، بل هي تمثل الفرق بين القيادة التفاعلية والقيادة الاستباقية. توفر نافذة التوقع التي تبلغ 3.5 ثانية وقتاً كافياً للمركبة ذاتية القيادة لتعديل مسارها بأمان.

التعرف على النية

إن فهم نوايا مستخدمي الطريق يتطلب أكثر من مجرد تتبع حركتهم الحالية. فقد تكون المركبة التي تبطئ سرعتها بصدد ركن سيارتها، أو الاستعداد للانعطاف، أو الاستجابة لمخاطر غير مرئية أمامها.

تقوم نماذج التعرف على النوايا بتحليل الإشارات السياقية: تنشيط إشارة الانعطاف، وأنماط ضوء الفرامل، وموقع السيارة بالنسبة لعلامات المسار، وحتى حركات عجلة القيادة الدقيقة المرئية من خلال الزجاج الأمامي.

استخدم بحث Brain4Cars مناهج Structural-RNN لالتقاط هذه التبعيات المكانية والزمانية المعقدة، محققًا درجة F1-score قدرها 80% لتوقع المناورة.

تُمكّن نماذج التعلم الآلي التي تفهم النوايا البشرية المركبات ذاتية القيادة من التنقل في بيئات المرور المختلطة حيث لا تزال المركبات التي يقودها البشر منتشرة على نطاق واسع.

مراعاة الخطأ البشري

وهنا يصبح الأمر مثيراً للاهتمام: يجب على المركبات ذاتية القيادة أن تتوقع ليس فقط السلوك البشري المعتاد، بل أيضاً الأخطاء البشرية.

سائق مشتت الذهن بسبب هاتفه. أحد المشاة ينزل من الرصيف دون النظر. راكب دراجة يتجاوز الإشارة الحمراء. يجب أن تتضمن بيانات التدريب هذه الأحداث الشاذة حتى تتعلم نماذج التعلم الآلي التعرف عليها والاستجابة لها.

يركز البحث على تعليم المركبات ذاتية القيادة مراعاة أخطاء السائقين، مستخدماً الشبكات العصبية العميقة وبيانات الطائرات المسيّرة ووحدات رصد الطرق لتعزيز الإدراك. والهدف هو تزويد هذه المركبات بـ"حاسة سابعة" تحاكي قدرة السائقين البشريين ذوي الخبرة على إدراك المواقف الخطرة قبل تفاقمها.

تُعدّ هذه القدرة بالغة الأهمية للسلامة. لا ينبغي للمركبات ذاتية القيادة أن تكتفي بالاستجابة لما يحدث فحسب، بل يجب عليها أن تتوقع ما قد يحدث وأن تتخذ مواقع تقلل من المخاطر.

خوارزميات التعلم الآلي التي تدعم المركبات ذاتية القيادة

تؤدي مناهج التعلم الآلي المختلفة وظائف متميزة ضمن أنظمة القيادة الذاتية. وتعكس خيارات البنية المفاضلات بين الدقة والكفاءة الحسابية ومتطلبات بيانات التدريب.

الشبكات العصبية التلافيفية (CNNs)

تهيمن الشبكات العصبية التلافيفية على مهام الإدراك البصري. ويعكس تصميمها المعالجة البصرية البيولوجية، مع طبقات من الخلايا العصبية التي تستجيب لخصائص أكثر تجريدًا.

تكتشف الطبقات الالتفافية المبكرة أنماطًا بسيطة: الحواف، والزوايا، وتدرجات الألوان. أما الطبقات الأعمق فتجمع هذه الأنماط في تمثيلات معقدة: العجلات، والنوافذ، والوجوه، وأشكال إشارات المرور.

تُستخدم النماذج المدربة مسبقًا مثل ResNet وVGG وInception كنقاط انطلاق. يسمح التعلم بالنقل للمطورين بضبط هذه الشبكات بدقة على مجموعات بيانات خاصة بالقيادة بدلاً من التدريب من الصفر، وهو اختصار بالغ الأهمية نظرًا للتكلفة الحسابية لتدريب الشبكات العميقة.

الشبكات العصبية المتكررة والمحولات

يتطلب اتخاذ القرارات المتسلسلة نماذج تحافظ على السياق الزمني. تقوم الشبكات العصبية المتكررة (RNNs) ومتغيراتها (LSTM، GRU) بمعالجة بيانات السلاسل الزمنية مع الحفاظ على المعلومات المتعلقة بالحالات السابقة.

بالنسبة للمركبات ذاتية القيادة، يُمكّن هذا الوعي الزمني من فهم ديناميكيات الحركة. يوفر مسار المشاة خلال الثواني الثلاث الماضية سياقًا للتنبؤ بحركتهم التالية.

اكتسبت بنى المحولات، التي طُوّرت في الأصل لمعالجة اللغة الطبيعية، رواجاً كبيراً مؤخراً في مجال القيادة الذاتية. وتتيح آليات الانتباه فيها للنموذج التركيز على السمات المكانية والزمانية ذات الصلة بشكل ديناميكي.

التعلم المعزز للتحكم

بينما يقوم التعلم الخاضع للإشراف بتدريب النماذج على أمثلة مصنفة، يقوم التعلم المعزز بتعليم الأنظمة من خلال التجربة والخطأ في بيئات محاكاة.

يحصل عملاء التعلم المعزز على مكافآت مقابل السلوكيات المرغوبة (القيادة السلسة، والالتزام بقواعد المرور، واختيار المسارات بكفاءة) وعقوبات مقابل السلوكيات غير المرغوبة (الفرملة المفاجئة، ومخالفات القواعد، والاصطدامات). وعلى مدار ملايين الأميال المحاكاة، يتعلم العميل سياسات تُعظّم المكافأة على المدى الطويل.

يجمع التعلم العميق المعزز بين الشبكات العصبية والتعلم المعزز، مما يُمكّن العوامل من التعلم مباشرة من مدخلات المستشعرات عالية الأبعاد دون الحاجة إلى ميزات مصممة يدويًا.

لكن التحدي يكمن هنا: يتطلب التعلم المعزز الخالص وقت محاكاة طويلًا، وقد ينتج عنه سلوكيات غير متوقعة أثناء التدريب. تستخدم معظم شركات المركبات ذاتية القيادة التعلم المعزز بشكل انتقائي، حيث تجمعه مع التعلم الخاضع للإشراف وخوارزميات التحكم التقليدية.

أساليب التجميع ودمج النماذج

نادراً ما تعتمد المركبات ذاتية القيادة المنتجة على نماذج فردية. تجمع أساليب التجميع بين التنبؤات من شبكات عصبية متعددة، والتصويت أو حساب متوسط مخرجاتها لتحسين الموثوقية.

إذا اتفقت خمسة نماذج مدربة بشكل مستقل على أن الجسم هو أحد المشاة، تزداد الثقة. أما إذا تباينت التوقعات، فإن النظام يشير إلى وجود شك وقد يتخذ سلوكيات أكثر تحفظاً.

يوفر هذا التكرار هوامش أمان بالغة الأهمية لاتخاذ القرارات المصيرية.

بيانات التدريب: أساس الاستقلالية القائمة على التعلم الآلي

لا تتجاوز جودة نماذج التعلم الآلي جودة البيانات المستخدمة في تدريبها. وتتطلب المركبات ذاتية القيادة كميات هائلة من بيانات التدريب المتنوعة والمصنفة بدقة.

استراتيجيات جمع البيانات

تُشغّل شركات السيارات ذاتية القيادة أساطيل اختبار تجمع بيانات المستشعرات باستمرار. كل ميل يتم قطعه يُولّد غيغابايتات من لقطات الكاميرا، ومسح LiDAR، وبيانات الرادار، ومسارات GPS، وبيانات قياس المركبة عن بُعد.

استخدم بحث Brain4Cars التابع لجامعة ستانفورد بيانات قيادة واسعة النطاق لتدريب نماذج توقع المناورات الخاصة بهم - وهي مجموعة بيانات كبيرة، ولكنها ضئيلة مقارنة بمجموعات البيانات التي يستخدمها رواد الصناعة.

من المتوقع أن تصل قيمة سوق البيانات التي تولدها المركبات إلى ما بين $450 مليار و$750 مليار بحلول عام 2030، مما يعكس قيمة البيانات وحجم عمليات جمعها.

أدت جائحة كوفيد-19 إلى تعطيل جهود جمع البيانات. ففي الصين، التي يُتوقع أن تكون أكبر سوق للسيارات ذاتية القيادة في العالم، انخفضت مبيعات السيارات المتصلة بالإنترنت خلال جائحة كوفيد-19، مما أدى إلى تباطؤ مؤقت في تراكم بيانات القيادة الواقعية.

تحديات الشرح والتصنيف

تتطلب بيانات المستشعرات الخام عملية تصنيف قبل أن تتمكن من تدريب نماذج التعلم الخاضعة للإشراف. ويتعين على المصنفين البشريين رسم مربعات محيطة بالمركبات، وتحديد حدود المسارات، وتصنيف إشارات المرور، وتصنيف وضعيات المشاة عبر ملايين إطارات الفيديو.

تُعدّ عملية وضع العلامات هذه مكلفة، وتستغرق وقتاً طويلاً، وعرضة للأخطاء. قد تتطلب عملية وضع العلامات على ساعة واحدة فقط من لقطات القيادة 800 ساعة من العمل البشري.

تساعد تقنيات التعلم شبه الموجه والتعلم النشط في تخفيف هذا العبء. تقوم النماذج المدربة على بيانات مصنفة محدودة بتوليد تنبؤات على بيانات غير مصنفة، ويقوم الخبراء البشريون بمراجعة التنبؤات غير المؤكدة فقط أو تصحيح الأخطاء، مما يحسن كفاءة التصنيف بشكل كبير.

البيانات الاصطناعية والمحاكاة

تُنتج بيئات المحاكاة بيانات تدريب لا حصر لها دون تكاليف جمع البيانات من العالم الحقيقي. وتُنشئ محركات العرض الواقعية سيناريوهات قيادة افتراضية مع تصنيفات مُولّدة تلقائيًا.

تقوم أجهزة المحاكاة بنمذجة الحالات النادرة التي يصعب رصدها في القيادة الحقيقية: مثل الأحوال الجوية السيئة، وأنواع المركبات غير العادية، وحالات الطوارئ، وسلوك المشاة غير المنتظم.

لا تزال الفجوة بين البيانات المحاكاة والبيانات الواقعية تشكل تحديًا، إذ قد تفشل النماذج المدربة على البيانات الاصطناعية فقط عند مواجهة تعقيدات العالم الحقيقي. وتساعد أساليب التعلم بالنقل في سد هذه الفجوة بين المحاكاة والواقع.

خصوصية البيانات والأمن

تجمع المركبات ذاتية القيادة بيانات واسعة النطاق حول محيطها، بما في ذلك صور الأشخاص والمركبات والمواقع. وتفرض لوائح الخصوصية، مثل اللائحة العامة لحماية البيانات (GDPR)، قيودًا على جمع البيانات وتخزينها واستخدامها.

تُخفي تقنيات إخفاء الهوية الوجوه ولوحات السيارات. وتُدرّب أساليب التعلّم الموحّد النماذج عبر مجموعات بيانات موزعة دون مركزية المعلومات الحساسة. كما تُمكّن هذه الأساليب من تحسين النماذج بشكل تعاوني مع الحفاظ على الخصوصية في سياقات المركبات ذاتية القيادة.

لا تقتصر المخاوف الأمنية على الخصوصية فحسب، بل قد تتلاعب الهجمات المعادية بمدخلات أجهزة الاستشعار للتسبب في تصنيف خاطئ - على سبيل المثال، اضطرابات دقيقة تخدع الشبكات العصبية فترى إشارات التوقف على أنها إشارات تحديد السرعة.

تساعد تقنيات التدريب القوية وأنظمة الكشف عن الحالات الشاذة في الدفاع ضد هذه التهديدات.

تطبيقات عملية وبيئات اختبار

تنتقل نماذج التعلم الآلي من مختبرات الأبحاث إلى الطرق العامة من خلال بروتوكولات اختبار صارمة وبيئات نشر مختارة بعناية.

بيئات اختبار خاضعة للرقابة

توفر المركبات ذاتية القيادة، التي تعمل كحافلات نقل للمسافات القصيرة في بيئات مُحكمة، أرضيات اختبار قيّمة. تُقلل هذه المركبات من استخدام السيارات وتُحسّن إمكانية الوصول، بينما تُمكّن المهندسين من تحسين تحديد المواقع، والتواصل بين المركبات وكل شيء (V2X)، والتفاعل بين الإنسان والآلة دون فوضى حركة المرور في المدن.

تُحاكي مسارات الاختبار المغلقة سيناريوهات محددة بشكل متكرر: التقاطعات، ودمج الطرق السريعة، ومناطق الإنشاءات. ويتحقق المهندسون بشكل منهجي من استجابة نماذج التعلم الآلي بشكل صحيح عبر مختلف الظروف الجوية والإضاءة وكثافة حركة المرور.

استراتيجيات النشر التدريجي

تتبع معظم برامج المركبات ذاتية القيادة أسلوب النشر التدريجي: حيث تبدأ بالبيئات المحدودة وتتوسع تدريجياً إلى سيناريوهات أكثر تعقيداً.

تُقيّد العمليات المُحددة جغرافياً حركة المركبات في مناطق مُحددة بدقة ذات ظروف مواتية - أرض مستوية، طقس جيد، وعلامات واضحة للمسارات. ومع إثبات موثوقية الأنظمة، تتوسع نطاقات التشغيل.

تُعرّف جمعية مهندسي السيارات الدولية (SAE International) مستويات الأتمتة من 0 (بدون أتمتة) إلى 5 (أتمتة كاملة). وتركز أطر عمل "المستوى 2+" الخاصة بالجمعية على جعل القيادة الآلية مربحة وشائعة من خلال تحسينات تدريجية في القدرات بدلاً من السعي إلى الاستقلالية الكاملة فوراً.

الوضع الخفي والاستقلالية المتوازية

يُتيح وضع التشغيل الظلي للأنظمة ذاتية القيادة العمل جنبًا إلى جنب مع السائقين البشريين دون التحكم في المركبة. يقوم نظام التعلم الآلي بمعالجة بيانات المستشعرات واتخاذ قرارات التحكم، لكن المدخلات البشرية هي التي توجه السيارة فعليًا.

يقارن المهندسون قرارات النظام بأفعال السائق البشري، ويحددون التناقضات والحالات الشاذة التي كان من الممكن أن يتصرف فيها نموذج التعلم الآلي بشكل مختلف - وغالبًا بشكل غير صحيح.

يجمع هذا النهج البيانات بأمان حول كيفية أداء أنظمة التعلم الآلي في حركة المرور الحقيقية دون المخاطرة بحدوث حوادث تتعلق بالسلامة.

الأطر التنظيمية والتحقق من السلامة

يتطلب نشر هذه التقنية موافقة الجهات التنظيمية. وتفرض السلطات القضائية المختلفة متطلبات متباينة لإثبات السلامة قبل السماح بإجراء الاختبارات على الطرق العامة.

في أوروبا، تتطلب الأطر التنظيمية إثبات سلامة سلوك المركبات ذاتية القيادة بدلاً من مجرد الاعتماد الذاتي. يجب على المصنّعين إثبات قدرة الأنظمة على التعامل مع الحالات الاستثنائية والسيناريوهات غير المألوفة بموثوقية عالية للغاية.

يساعد تطوير معايير علم الوجود والمعجم لأنظمة القيادة الآلية من قبل منظمة SAE الدولية في وضع مصطلحات مشتركة وأطر اختبار - وهي بنية تحتية بالغة الأهمية للتحقق التنظيمي.

يحتفظ المجلس الوطني لسلامة النقل بقواعد بيانات لحوادث المركبات ذاتية القيادة، مما يوفر بيانات لفهم أنماط الفشل وتحسين بروتوكولات السلامة.

الاتجاهات الحالية والتوجهات المستقبلية

يستمر تطور التعلم الآلي للمركبات ذاتية القيادة بوتيرة متسارعة. وتساهم عدة اتجاهات في إعادة تشكيل أولويات التطوير والأساليب التقنية.

التعلم الشامل

تقوم بنى القيادة الذاتية التقليدية بتقسيم المشكلة إلى وحدات منفصلة: الإدراك، والتنبؤ، والتخطيط، والتحكم. ويتم تطوير كل مكون واختباره بشكل مستقل.

تستبدل أساليب التعلم الشاملة هذه الآلية بشبكة عصبية واحدة تربط مدخلات المستشعرات مباشرةً بمخرجات التحكم. ويصف بحث Brain4Cars في جامعة ستانفورد الذكاء الاصطناعي متعدد الوسائط الشامل حيث "يربط النموذج التوليدي المدخلات بإجراءات التحكم".“

تتعلم هذه الأنظمة تمثيلات كامنة لاستراتيجية القيادة دون نمذجة المراحل الوسيطة بشكل صريح. ويجادل المؤيدون بأن هذا النهج يتعامل مع الحالات الشاذة بشكل أكثر سلاسة، لأن النظام بأكمله يُحسّن لتحقيق الهدف النهائي: القيادة الآمنة.

يرد المشككون بأن النماذج الشاملة عبارة عن صناديق سوداء، مما يجعل تصحيح الأخطاء صعباً والتحقق من السلامة شبه مستحيل.

آليات الانتباه وقابلية التفسير

تعمل الشبكات العصبية تقليدياً كصناديق سوداء - تدخل المدخلات، وتخرج القرارات، لكن عملية التفكير تظل غامضة.

توفر آليات الانتباه شفافية جزئية. تتعلم هذه المكونات التركيز على ميزات الإدخال ذات الصلة، ويكشف تصور خرائط الانتباه عما يعتبره النموذج مهمًا عند اتخاذ القرارات.

تساعد تقنيات الذكاء الاصطناعي القابلة للتفسير المهندسين على فهم سلوك النموذج وتحديد مواطن الخلل. فإذا أخطأ كاشف الأجسام في تصنيف دراجة هوائية، فقد تكشف تصورات الانتباه أن النموذج ركز على التشويش الخلفي بدلاً من الدراجة نفسها، مما يوجه عملية زيادة البيانات أو تحسينات البنية.

تتزايد مطالب الهيئات التنظيمية بتقديم تفسيرات واضحة قبل الموافقة على الأنظمة المستقلة لنشرها على نطاق واسع.

الحوسبة العصبية والذكاء الاصطناعي على الحافة

تتطلب معالجة بيانات المستشعرات باستخدام الشبكات العصبية العميقة قدرة حاسوبية هائلة. تحتوي المركبات ذاتية القيادة الحالية على مسرعات ذكاء اصطناعي متخصصة تستهلك مئات الواط.

تحاكي الرقائق العصبية البنية العصبية البيولوجية، حيث تعالج المعلومات على شكل نبضات ناتجة عن أحداث محددة بدلاً من قيم مستمرة. وتَعِد هذه التصاميم بتحسينات هائلة في كفاءة الطاقة، وهو أمر بالغ الأهمية لمدى المركبات الكهربائية ومتطلبات التبريد.

تدفع أساليب الذكاء الاصطناعي الطرفي المزيد من العمليات الحسابية مباشرة إلى أجهزة الاستشعار. تقوم الكاميرات الذكية المزودة بمسرعات الشبكات العصبية المدمجة بإجراء عملية اكتشاف الأجسام محليًا، حيث تنقل فقط المعلومات الدلالية عالية المستوى بدلاً من تدفقات الفيديو الخام.

التعلم مدى الحياة والتكيف عبر الإنترنت

تُدرَّب نماذج التعلم الآلي الحالية خارجياً على مجموعات بيانات تاريخية، ثم تُنشر بمعايير ثابتة. ولا يتعلم النظام من التجارب الجديدة بعد النشر.

تقوم أنظمة التعلم مدى الحياة بتحديث النماذج باستمرار بناءً على البيانات التي تم رصدها مؤخراً، وتتكيف مع البيئات الجديدة وأنماط حركة المرور المتطورة.

ستساعد هذه القدرة المركبات ذاتية القيادة على العمل في مناطق جغرافية متنوعة دون الحاجة إلى تدريب نماذج منفصلة لكل موقع. فعلى سبيل المثال، يمكن لمركبة تم تدريبها بشكل أساسي في كاليفورنيا أن تتكيف مع ظروف القيادة الشتوية في ماساتشوستس من خلال التعلم عبر الإنترنت.

لكن مهلاً، فالتعلم عبر الإنترنت ينطوي على مخاطر أمنية. قد تؤدي تحديثات النماذج إلى تراجع الأداء أو ظهور سلوكيات غير متوقعة. لذا، يجب أن تضمن أطر التحقق من صحة النماذج أن التعلم المستمر يُحسّن السلامة بدلاً من أن يُعرّضها للخطر.

الاتصال بين المركبات وكل شيء (V2X)

تعتمد نماذج التعلم الآلي حاليًا على المعلومات التي يتم جمعها فقط بواسطة أجهزة الاستشعار الموجودة على متن المركبات. وتتيح تقنية الاتصال بين المركبات والبنية التحتية (V2X) للمركبات تبادل البيانات فيما بينها ومع البنية التحتية.

يمكن لمركبة ترصد الجليد الأسود حول المنعطفات أن تنبه المركبات القادمة. ويمكن لإشارات المرور بث توقيتات المراحل لتحسين عبور التقاطعات. كما يمكن لمركبات الطوارئ الإعلان عن اقترابها، مما يدفع المركبات ذاتية القيادة إلى إفساح المجال.

تحقق نماذج التعلم الآلي التي تتضمن بيانات V2X تنبؤات وتخطيطًا أفضل من خلال الوصول إلى معلومات تتجاوز أفق مستشعراتها المباشر.

التحديات والقيود

على الرغم من التقدم الملحوظ، فإن التعلم الآلي في المركبات ذاتية القيادة يواجه عقبات تقنية وعملية كبيرة.

مشكلة الذيل الطويل

تتفوق نماذج التعلم الآلي في السيناريوهات الممثلة جيداً في بيانات التدريب. لكنها تواجه صعوبة في الحالات النادرة: مثل عبور غزال للطريق، أو تدحرج كرة طفل إلى الشارع، أو قيام معدات البناء بسد جزء من مسار الطريق.

يتنقل السائقون البشريون في هذه المواقف من خلال التفكير المنطقي والحدس الجسدي. تفتقر أنظمة التعلم الآلي الحالية إلى هذا الفهم السياقي.

تساعد النماذج الشاملة التي تستشعر التصميم ثلاثي الأبعاد من صور الكاميرا في معالجة الحالات النادرة من خلال تعلم تمثيلات أكثر عمومية لهندسة المشهد وقوانين الفيزياء. لكن الحلول الكاملة لا تزال بعيدة المنال.

نقاط الضعف في مواجهة الخصوم

يمكن خداع الشبكات العصبية بأمثلة معادية - وهي مدخلات مصممة بعناية لإحداث تصنيف خاطئ. على سبيل المثال، قد يؤدي إضافة ضوضاء غير محسوسة إلى صورة إشارة توقف إلى تصنيف الشبكة لها على أنها إشارة إفساح الطريق.

تشكل الهجمات المادية المعادية تهديدات حقيقية. وقد أثبت الباحثون أن وضع ملصقات معينة على إشارات التوقف يمكن أن يخدع أجهزة الكشف عن الأجسام.

تُخفف تقنيات التدريب القوية جزئياً من هذه الثغرة الأمنية، ولكن لا يوجد دفاع كامل. ويواصل باحثو الأمن اكتشاف طرق هجوم جديدة.

القيود الحسابية وقيود الطاقة

تتطلب المعالجة الآنية لتدفقات بيانات المستشعرات عالية الدقة باستخدام الشبكات العصبية العميقة موارد حاسوبية هائلة. يجب أن يكتمل الاستدلال في غضون أجزاء من الثانية - وقد حقق بحث Brain4Cars أوقات استدلال بلغت 3.6 جزء من الثانية، ولكن قد تتطلب النماذج الأكثر تعقيدًا وقتًا أطول.

يُعد استهلاك الطاقة عاملاً بالغ الأهمية بالنسبة للمركبات الكهربائية ذاتية القيادة. ويؤدي استهلاك الطاقة العالي من مُسرّعات الذكاء الاصطناعي إلى تقليل مدى القيادة ويتطلب أنظمة تبريد إضافية.

تعمل تقنيات التحسين، مثل تكميم النموذج، والتقليم، وتقطير المعرفة، على ضغط الشبكات إلى نسخ أصغر وأسرع مع أدنى حد من فقدان الدقة. تُمكّن هذه النماذج المضغوطة من الاستدلال الفوري المدمج.

تحيز البيانات والإنصاف

ترث نماذج التعلم الآلي التحيزات الموجودة في بيانات التدريب. فإذا احتوت مجموعات البيانات على عدد أقل من الأمثلة للمشاة ذوي البشرة الداكنة، فقد يكون أداء كاشفات الأجسام أسوأ في اكتشاف هؤلاء الأفراد، وهو ما يمثل خللاً غير مقبول في السلامة.

يؤثر التحيز الجغرافي بالمثل على الأداء. قد تواجه النماذج التي تم تدريبها بشكل أساسي على الطرق الأمريكية صعوبة في التعامل مع عادات القيادة المختلفة، وإشارات الطرق، والبنية التحتية في البلدان الأخرى.

تساعد مجموعات البيانات المتنوعة والممثلة على التخفيف من التحيز، لكن جمع بيانات متوازنة حقًا عبر جميع الفئات الديموغرافية والمناطق الجغرافية لا يزال يمثل تحديًا.

عدم اليقين التنظيمي

لا تزال الأطر التنظيمية للمركبات ذاتية القيادة قيد التطوير. وتفرض السلطات القضائية المختلفة متطلبات متباينة، مما يخلق تعقيداً في الامتثال للشركات العاملة دولياً.

تقوم منظمات المعايير مثل SAE International بتطوير الأنطولوجيات وأطر الاختبار، ولكن لم يظهر توافق تنظيمي شامل حتى الآن.

هذا الغموض يعقد عملية التخطيط للمنتجات على المدى الطويل وقرارات الاستثمار.

اعتبارات السلامة والأخلاق

تثير أنظمة التعلم الآلي التي تتخذ قرارات مصيرية تساؤلات عميقة تتعلق بالسلامة والأخلاق.

التحقق والاختبار

كم عدد الأميال التي تُجرى من الاختبارات لإثبات أن المركبة ذاتية القيادة أكثر أمانًا من السائقين البشريين؟ يُسجّل السائقون البشريون في الولايات المتحدة معدل وفيات واحد لكل 100 مليون ميل يتم قطعها.

إن إثبات أن النظام المستقل يتجاوز مستوى الأمان هذا بثقة إحصائية يتطلب مليارات الأميال التجريبية - وهو أمر غير عملي للاختبارات المادية وحدها.

يُسهم الاختبار القائم على السيناريوهات في المحاكاة في تقليص مدة التحقق من صحة البرمجيات. ويركز عمل جمعية مهندسي السيارات الدولية (SAE International) على تطوير برمجيات آمنة للمركبات ذاتية القيادة، وذلك من خلال وضع منهجيات للتحقق تجمع بين الاختبارات الفيزيائية والمحاكاة والتحقق الرسمي.

مشكلة العربة في البرمجة

ستواجه المركبات ذاتية القيادة حتماً مواقف يكون فيها بعض الضرر أمراً لا مفر منه. فهل ينبغي للمركبة إعطاء الأولوية لسلامة الركاب أم تقليل الضرر الإجمالي على جميع مستخدمي الطريق؟

لا يمكن حل هذه المعضلات الأخلاقية من خلال الهندسة وحدها. إنها تتطلب توافقاً مجتمعياً ينعكس في الأطر التنظيمية وقانون المسؤولية.

تُضمّن نماذج التعلّم الآلي ضمنيًا الخيارات الأخلاقية من خلال بيانات التدريب ووظائف المكافأة. لذا، يجب على المهندسين تصميم هذه الأنظمة بوعي لتعكس المبادئ الأخلاقية المتفق عليها، بدلاً من ترك القرارات الأخلاقية تظهر بشكل عشوائي من أنماط البيانات.

المسؤولية والمساءلة

عندما تتسبب مركبة ذاتية القيادة في وقوع إصابات، فمن يتحمل المسؤولية؟ مالك المركبة؟ الشركة المصنعة؟ مهندس التعلم الآلي الذي قام بتدريب النموذج؟ الشركة التي جمعت بيانات التدريب؟

تفترض أطر المسؤولية التقليدية أن السائقين البشريين هم من يتخذون القرارات. أما الأنظمة المستقلة فتوزع عملية اتخاذ القرار عبر البرامج وأجهزة الاستشعار وبيانات التدريب بطرق تعقد عملية إسناد المسؤولية.

تستمر نماذج التأمين والأطر القانونية في التطور لمعالجة هذه الأسئلة.

فقدان الوظائف

تهدد المركبات ذاتية القيادة ملايين الوظائف في قطاع النقل: سائقي الشاحنات، وسائقي سيارات الأجرة، وسائقي التوصيل. وتتطلب الآثار الاقتصادية والاجتماعية لهذا التغيير استجابات سياسية استباقية.

يجادل المؤيدون بأن المركبات ذاتية القيادة ستخلق وظائف جديدة في إدارة الأساطيل، والمساعدة عن بُعد، وصيانة المركبات، وتطوير تقنيات التعلم الآلي. في المقابل، يرى المنتقدون أن هذه الوظائف الجديدة لن توفر فرص عمل للعمال الذين فقدوا وظائفهم بأجور مماثلة.

الأسئلة الشائعة