الذكاء الاصطناعي في إدارة حركة المرور: من الازدحام إلى التنسيق

مع وجود أكثر من 1.47 مليار مركبة على الطرق اليوم، أصبحت متابعة حركة المرور وإدارتها بكفاءة تحديًا معقدًا بصورة متزايدة. وتواجه الأساليب التقليدية صعوبة في مواكبة حجم حركة المرور الحديثة وديناميكيتها. وهنا يأتي دور الذكاء الاصطناعي (AI) بوصفه عاملًا مغيرًا لقواعد إدارة حركة المرور وتقنيات السلامة على الطرق، من خلال حلول آنية قائمة على البيانات تعزز الكفاءة والسلامة. وفي الواقع، تشير الدراسات إلى أن أنظمة إدارة حركة المرور المدعومة بالذكاء الاصطناعي يمكنها تقليل تأخيرات حركة المرور بنسبة تصل إلى 25%، ما يحسن أوقات التنقل بدرجة كبيرة ويحد من الازدحام.

سنستكشف في هذه المقالة تأثير الذكاء الاصطناعي في إدارة حركة المرور، مع التركيز على تفاصيل اكتشاف لوحات الأرقام. وسنستعرض الاستخدامات الحالية والفوائد والتحديات، كما سنسلط الضوء على تطبيقات واقعية توضح إمكانات الذكاء الاصطناعي في إنشاء أنظمة أكثر ذكاءً وأمانًا وكفاءة لمراقبة حركة المرور.

دور الذكاء الاصطناعي في إدارة حركة المرور#

تتسم تطبيقات الذكاء الاصطناعي في إدارة حركة المرور بالاتساع والتنوع. وسنركز في هذه المقالة أساسًا على كيفية مساهمة الرؤية الحاسوبية، وهي مجال متخصص من الذكاء الاصطناعي يحلل الصور، في تعزيز إدارة حركة المرور بدرجة كبيرة.

• تحليل حركة المرور والتنبؤ بها: كيفية مساعدة الذكاء الاصطناعي في فهم أنماط حركة المرور والتنبؤ بها.
• اكتشاف الحوادث وإدارتها: دور الذكاء الاصطناعي في تحديد حوادث المرور والاستجابة لها بسرعة.
• الإنفاذ الآلي لقوانين المرور: استخدام الذكاء الاصطناعي لإنفاذ قوانين مثل حدود السرعة وإشارات المرور.

التعرف على لوحات المركبات#

الشكل 1. استخدام Ultralytics YOLOv8 للتعرف على لوحات الأرقام.

من أكثر تطبيقات الذكاء الاصطناعي إقناعًا في إدارة حركة المرور التعرف على لوحات المركبات. ومن خلال الاستفادة من نماذج الذكاء الاصطناعي المتقدمة والكاميرات عالية الدقة، يمكننا قراءة أرقام لوحات المركبات العابرة بدقة، ما يساهم في تقنيات السلامة على الطرق من خلال ضمان التزام المركبات بقوانين المرور ولوائحه.

كيف تعمل هذه التقنية؟ تُدرَّب نماذج الرؤية الحاسوبية أولًا على اكتشاف لوحات المركبات على السيارات العابرة. وبمجرد اكتشاف لوحة أرقام، يقرأ النموذج رقم اللوحة ويستخرجه، ما يتيح تحديد هوية المركبة بكفاءة. وفي الواجهة الخلفية، تُطابَق هذه المعلومات مع قواعد بيانات واسعة تخزّن تفاصيل المركبات، مما يمكّن أنظمة تتبع المركبات من تحديد هوية المركبة المعنية وتتبعها بدقة.

يُعد Ultralytics YOLOv8 نموذجًا بارزًا لبناء أنظمة اكتشاف اللوحات. ويُعد YOLOv8 نموذجًا متطورًا للرؤية الحاسوبية يتفوق في اكتشاف الكائنات الآني، والتصنيف، وتقسيم المثيلات، وتقدير الوضعيات، ويمكن تكييفه لعدد لا يحصى من التطبيقات، بما في ذلك اكتشاف لوحات المركبات.

تطبيقات التعرف على لوحات المركبات#

إنفاذ القانون#

في المقام الأول، تُستخدم أنظمة اكتشاف لوحات الأرقام على نطاق واسع من قِبل أجهزة إنفاذ القانون. وتُستخدم هذه الأنظمة أساسًا لإصدار مخالفات السرعة، ومخالفات عدم ارتداء أحزمة الأمان، ومخالفات استخدام الهواتف المحمولة أثناء القيادة. وبالإضافة إلى ذلك، يُستخدم هذا النهج لتعزيز القدرة على تتبع المركبات المسروقة واستردادها.

فعلى سبيل المثال، تستخدم وكالة معايير السائقين والمركبات (DVSA) في إنجلترا تقنية التعرف الآلي على لوحات الأرقام (ANPR) على المستويات المحلية والإقليمية والوطنية لاكتشاف المشغلين الذين ينتهكون القانون وردعهم وتعطيل أنشطتهم.

وباستخدام نماذج ذكاء اصطناعي متقدمة مثل Ultralytics YOLOv8، تستطيع هذه الأنظمة اكتشاف هذه المخالفات بدقة والتقاط لوحة أرقام المركبة. ويتفوق نموذج YOLOv8 في اكتشاف الكائنات الآني، مما يضمن قدرة السلطات على تحديد المخالفات بسرعة ودقة وإرسال المخالفة والغرامة المناسبتين إلى السائق.

تتبع هذه النماذج عادةً نهج التعرف الآلي على لوحات الأرقام (ANPR). ولفهم كيفية عمل نماذج اكتشاف الذكاء الاصطناعي هذه، تخيل أنك تعلم طفلًا التعرف على سلالات الكلاب المختلفة. ستريه العديد من الصور وتشير إلى السمات المحددة التي تميز كلب لابرادور عن كلب بودل. وبالمثل، تُزوَّد نماذج الذكاء الاصطناعي هذه بعدد كبير من الصور الموسومة للمركبات ولوحات أرقامها، فتتعلم تمييز الخصائص الفريدة لكل لوحة أرقام وتذكرها. وتمكّن عملية التدريب هذه النماذج من تحديد الأرقام والحروف المختلفة على اللوحات والتعرف إليها بدقة.

الشكل 2. استخدام Ultralytics YOLOv8 لإنفاذ القانون.

إدارة مواقف السيارات الذكية#

من التطبيقات القيّمة الأخرى للرؤية الحاسوبية في إدارة حركة المرور إدارة مواقف السيارات الذكية. وباستخدام نماذج مثل YOLOv8، تستطيع هذه الأنظمة تحديد أماكن الوقوف الشاغرة بدقة وتوجيه السائقين إليها، مما يحسن استغلال المساحات ويقلل وقت البحث. وتضمن إمكانات الاكتشاف الآني في YOLOv8 إدارة موارد مواقف السيارات بكفاءة.

يساعد اكتشاف لوحات المركبات أيضًا في هذه العملية. فعندما تقترب مركبة من مرفق مواقف السيارات، تلتقط الكاميرات عالية الدقة رقم لوحة المركبة وتتعرف إليه باستخدام نماذج ذكاء اصطناعي متقدمة. ثم يفتح النظام البوابة للمركبات المصرح لها، مما يضمن دخولًا سلسًا. وبالإضافة إلى ذلك، يحسب النظام رسوم الوقوف استنادًا إلى مدة البقاء، ويعالج الدفع تلقائيًا باستخدام طريقة الدفع المسجلة مسبقًا لمالك المركبة، مما يلغي الحاجة إلى الدفع اليدوي عند أجهزة الدفع.

الشكل 3. استخدام Ultralytics YOLOv8 لإدارة مواقف السيارات الذكية.

تحصيل الرسوم الآلي#

تفرض أنظمة تحصيل الرسوم رسومًا مقابل استخدام طرق أو جسور أو أنفاق محددة، وذلك أساسًا لتمويل إنشائها وصيانتها وتشغيلها. ويعزز تحصيل الرسوم الآلي انسيابية حركة المرور من خلال إلغاء حاجة كل مركبة إلى التوقف والدفع يدويًا. ويساعد ذلك في تحسين حركة المرور والحد من الازدحام. وتقرأ كاميرات متخصصة رقم لوحة كل سيارة عابرة وتصدر رسوم المرور المحددة تلقائيًا، مما يجعل العملية أكثر كفاءة وسلاسة.

تستمر قائمة التطبيقات في النمو، إذ يمكن لاستخدام اكتشاف لوحات الأرقام أن يخدم عددًا متزايدًا من الأغراض.

الشكل 4. نظام آلي لتحصيل الرسوم.

تحديات الذكاء الاصطناعي في إدارة حركة المرور#

كما رأينا، توفر الرؤية المدعومة بالذكاء الاصطناعي مجموعة واسعة من الفوائد، إلا أنه من الضروري الإقرار ببعض التحديات العامة المرتبطة عادةً بإدارة حركة المرور.

• ارتفاع تكاليف النشر: يتطلب تنفيذ أنظمة إدارة حركة المرور المدعومة بالذكاء الاصطناعي استثمارًا كبيرًا في بنية تحتية متقدمة، تشمل كاميرات عالية الدقة وأجهزة استشعار وموارد حوسبة. وقد تكون تكاليف الإعداد الأولية هذه كبيرة، إذ وصلت تكلفة كاميرا مراقبة السرعة المتوسطة إلى 1.5 مليون جنيه إسترليني لكل ميل في عام 2000.
• نفقات الصيانة المستمرة: تلزم الصيانة المنتظمة لضمان موثوقية هذه الأنظمة ودقتها. ويشمل ذلك الفحوصات الدورية والتحديثات والإصلاحات، التي قد تكون مكلفة بمرور الوقت. وعلاوة على ذلك، تكون البنية التحتية عرضة للتلف بسبب العوامل البيئية مثل الأمطار الغزيرة والعواصف والظروف الجوية القاسية. وقد تؤدي هذه العوامل إلى تدهور المعدات، مما يزيد تكاليف الصيانة والاستبدال.

والآن، لنركز على التحديات المحددة في التعرف على لوحات المركبات.

• الحجب الجزئي: قد تُغطى لوحات الأرقام جزئيًا بالأوساخ أو الوحل أو أجسام أخرى، مما يصعّب على الذكاء الاصطناعي اكتشاف اللوحة كاملة.

• التلف: يمكن للوحات التالفة أو المنحنية أو الباهتة أن تقلل دقة الاكتشاف والتعرف.

• خصوصية البيانات: ينطوي التقاط صور المركبات ولوحاتها ومعالجتها على التعامل مع معلومات حساسة، مما يثير مخاوف تتعلق بالخصوصية ينبغي معالجتها.

• الامتثال التنظيمي: يُعد الامتثال للقوانين واللوائح المحلية والدولية المتعلقة بجمع البيانات وتخزينها واستخدامها أمرًا أساسيًا لتجنب المشكلات القانونية.

إلى أين تتجه إدارة حركة المرور بالذكاء الاصطناعي؟#

على الرغم من التحسن الكبير الذي شهدته إدارة حركة المرور مع ظهور الذكاء الاصطناعي، لا يزال هناك مجال لمزيد من التطورات. ومع استمرار تطور التكنولوجيا، يمكننا توقع تحسينات عديدة، مثل دمج أنظمة إدارة حركة المرور المدعومة بالذكاء الاصطناعي في بنى تحتية أوسع للمدن الذكية، بما يتيح اتصالًا سلسًا بين مختلف الأنظمة الحضرية.

ومن المتوقع أيضًا أن تصبح نماذج الذكاء الاصطناعي المستقبلية أكثر كفاءة ودقة في اكتشاف لوحات الأرقام والتعرف إليها، وأن تكون مجهزة بصورة أفضل للتعامل مع الظروف الجوية القاسية مثل المطر والضباب والثلج، بما يضمن اكتشافًا موثوقًا حتى في البيئات غير المثالية.

الخاتمة#

شهد مجال الرؤية الحاسوبية تطورات ملحوظة في السنوات الأخيرة، مع إطلاق نماذج جديدة تتفوق بدرجة كبيرة على سابقاتها. وقد أتاحت هذه الابتكارات مجموعة واسعة من التطبيقات في إدارة حركة المرور، بدءًا من اكتشاف لوحات الأرقام ووصولًا إلى أنظمة مواقف السيارات الذكية. وباستخدام نماذج متطورة مثل Ultralytics YOLOv8، توفر هذه الأنظمة دقة محسنة ومعالجة آنية وأداءً قويًا حتى في الظروف الصعبة.

ومع استمرار تطور الذكاء الاصطناعي، يمكننا توقع حلول أكثر تطورًا وتكاملًا لإدارة حركة المرور. ولن تؤدي هذه التطورات إلى تحسين الكفاءة والسلامة فحسب، بل ستساهم أيضًا في إنشاء بيئات حضرية أكثر ذكاءً واستدامة. إن مستقبل الذكاء الاصطناعي في إدارة حركة المرور واعد، ويبشر بتحسينات مستمرة ستعيد تعريف كيفية تنقلنا في مدننا وإدارتها.

هل تهتم بمستقبل الرؤية الحاسوبية؟ لمزيد من المعلومات حول أحدث ما توصلت إليه تقنيات الرؤية الحاسوبية، يمكنك استكشاف وثائق Ultralytics، والاطلاع على مشاريعها في مستودع Ultralytics على GitHub ومستودع YOLOv8 على GitHub. ولمزيد من الرؤى حول تطبيقات الذكاء الاصطناعي في مختلف الصناعات، قد تجد صفحات الحلول الخاصة بـالسيارات ذاتية القيادة والتصنيع مفيدة بوجه خاص.