استكشاف الرؤية الحاسوبية في تطبيقات الملاحة

في الوقت الحاضر، يبدو إخراج هاتفك وكتابة وجهة واتباع إرشادات خطوة بخطوة للوصول إليها أمرًا سهلًا للغاية. فهذا يستغرق بضع ثوانٍ فقط. لكن هذه الراحة اليومية هي نتيجة سنوات من التقدم التكنولوجي. لقد قطعت الملاحة شوطًا طويلًا، من الخرائط الورقية والبِوصلات إلى الأنظمة الذكية القادرة على فهم العالم والاستجابة له في الوقت الفعلي.

إحدى التقنيات الكامنة وراء هذا التحول هي الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي (AI) يتيح للآلات تفسير المعلومات المرئية كما يفعل البشر. وتستخدم أدوات الملاحة المتطورة صورًا آنية من الأقمار الصناعية وكاميرات لوحة القيادة والمستشعرات المثبتة على مستوى الشوارع لتحسين دقة الخرائط، ومراقبة ظروف الطرق، وتوجيه المستخدمين عبر البيئات المعقدة.

في هذه المقالة، سنستكشف كيف تعمل الرؤية الحاسوبية على تحسين الملاحة من خلال تطوير خرائط GPS، وتوفير تحديثات آنية لحركة المرور، ودعم تقنيات مثل الملاحة بالواقع المعزز والمركبات ذاتية القيادة.

أنظمة الملاحة بالذكاء الاصطناعي مع الخرائط ثلاثية الأبعاد الغامرة#

أصبح استخدام أدوات مثل خرائط Google للتنقل في الحياة اليومية أمرًا شائعًا جدًا، سواء كنت تتجه إلى مكان آخر في المدينة أو تبحث عن مقهى قريب. ومع انتشار تقنيات الذكاء الاصطناعي على نطاق أوسع، نشهد ميزات متقدمة بشكل متزايد مثل العرض الغامر، الذي قدمته خرائط Google في عام 2023، ويتيح للمستخدمين معاينة أجزاء من رحلتهم في بيئة ثلاثية الأبعاد. ويتحقق ذلك من خلال الجمع بين الذكاء الاصطناعي والمسح التصويري والرؤية الحاسوبية.

الشكل 1. العرض الغامر في خرائط Google.

يبدأ الأمر كله بمليارات الصور عالية الدقة التي تلتقطها مجموعة من المعدات المتخصصة. ويشمل ذلك سيارات Street View، وهي مركبات مجهزة بكاميرات بزاوية 360 درجة تتجول في المدن، وأجهزة Trekker، وهي حقائب ظهر قابلة للارتداء مزودة بكاميرات مثبتة تُستخدم لالتقاط الصور في أماكن لا تستطيع المركبات الوصول إليها، مثل مسارات المشي أو الأزقة الضيقة.

تُحاذى هذه الصور مع بيانات الخرائط باستخدام المسح التصويري، وهي تقنية تجمع الصور الثنائية الأبعاد الملتقطة من زوايا مختلفة لإنشاء نماذج ثلاثية الأبعاد دقيقة للشوارع والمباني والتضاريس.

ثم تُستخدم الرؤية الحاسوبية لتحليل هذه النماذج باستخدام اكتشاف الأجسام وتجزئة الصور لتحديد ميزات مهمة مثل إشارات الطرق والأرصفة وممرات المشاة ومداخل المباني وتسميتها.

الشكل 2. يستخدم العرض الغامر التجزئة لتجزئة الأجسام في شارع.

تُستخدم البيانات المصنفة لتدريب أنظمة ذكاء اصطناعي تتعرف على اختلاف الإشارات المرئية بين المناطق. فعلى سبيل المثال، يستطيع النظام بسهولة التمييز بين إشارة «SLOW» في الولايات المتحدة، التي تكون عادةً على شكل مُعين أصفر أو برتقالي، وإشارة مماثلة في اليابان، تكون عادةً مثلثًا أحمر وأبيض. ويجعل هذا المستوى من الفهم تجربة الملاحة أكثر دقة ووعيًا بالاختلافات الثقافية.

وأخيرًا، يعرض العرض الغامر مسارات الملاحة المباشرة فوق البيئة ثلاثية الأبعاد، موفرًا تجربة سلسة وبديهية توضح بالضبط الاتجاه الذي تسلكه.

الواقع المعزز في حلول الملاحة#

ربما مررنا جميعًا بتجربة الدوران في دوائر ومحاولة معرفة الاتجاه الذي تشير إليه خرائط Google. وهذا الالتباس هو بالضبط ما تهدف ملاحة الواقع المعزز (AR)، وهي تقنية تعرض المعلومات الرقمية فوق مشهد الكاميرا للعالم الحقيقي، إلى حله. وهي تغيّر طريقة العثور على الطريق في الأماكن المزدحمة مثل شوارع المدن أو المساحات الداخلية الكبيرة.

قد يصعب اتباع الخرائط التقليدية، لا سيما عندما تكون إشارات GPS ضعيفة أو لا تعمل جيدًا. وتعالج ملاحة الواقع المعزز ذلك من خلال عرض الاتجاهات والأسهم والتسميات الرقمية مباشرةً على المشهد المباشر للعالم الحقيقي عبر الكاميرا. وهذا يعني أن المستخدمين يرون إرشادات تتوافق مع الشوارع والمباني المحيطة بهم، مما يجعل معرفة الاتجاه أسهل بكثير.

كيفية استخدام الواقع المعزز في الملاحة#

تعتمد ملاحة الواقع المعزز على نماذج الرؤية الحاسوبية لفهم البيئة من خلال كاميرا الجهاز. ويشمل ذلك مهام مختلفة مثل تحديد موضع الصورة، الذي يكتشف ميزات مثل حواف المباني أو إشارات الشوارع ويطابقها مع خريطة مخزنة. وينشئ التوطين ورسم الخرائط المتزامنان (SLAM) خريطة للبيئة أثناء تتبع موضع الجهاز في الوقت الفعلي.

فعلى سبيل المثال، كان مطار زيورخ أول من نفذ ميزة Live View في خرائط Google للملاحة الداخلية. ويمكن للمسافرين استخدام كاميرات هواتفهم لرؤية الأسهم والاتجاهات المعروضة فوق البيئة الواقعية، لتوجيههم عبر صالات المطار إلى البوابات والمتاجر والخدمات. ويحسن ذلك تجربة المسافرين من خلال تسهيل الملاحة في المساحات الداخلية المعقدة.

الشكل 3. يستخدم مطار زيورخ الرؤية الحاسوبية والواقع المعزز لتوجيه المسافرين في الداخل.

تعزيز السلامة على الطرق باستخدام أنظمة الملاحة بالذكاء الاصطناعي#

تزداد شوارع المدن ازدحامًا يومًا بعد يوم. ومع زيادة عدد السيارات على الطرق، وازدحام الأرصفة، والنشاط المستمر، يمثل الحفاظ على انسيابية حركة المرور وسلامتها تحديًا متناميًا. وللمساعدة في إدارة هذه الفوضى، تتجه مدن كثيرة إلى الذكاء الاصطناعي والرؤية الحاسوبية.

تلتقط الكاميرات الذكية والمستشعرات المثبتة عند التقاطعات وعلى امتداد الطرق تدفقًا مستمرًا من البيانات المرئية. وتُعالَج هذه اللقطات في الوقت الفعلي لاكتشاف الحوادث، ومراقبة حركة المرور، ورصد الحفر، واكتشاف أمور مثل الوقوف غير القانوني أو سلوك المشاة المحفوف بالمخاطر.

ومن الأمثلة المثيرة للاهتمام على ذلك طريق المطار السريع الذكي في هانغتشو بالصين. وقد زُوّد هذا الطريق السريع البالغ طوله 20 كيلومترًا، والذي يربط وسط مدينة هانغتشو بمطار شياوشان الدولي، بكاميرات عالية الدقة ورادارات موجات ملليمترية. وتجمع هذه الأجهزة باستمرار بيانات الفيديو والمستشعرات، ثم تُحلل باستخدام الرؤية الحاسوبية.

وبدلًا من تسجيل اللقطات فحسب، يفسر النظام ما يحدث على الطريق. فتكتشف خوارزميات الرؤية الحاسوبية تصادمات المركبات، وتتعرف على مخالفات المرور، بل وتحدد المشاة أو الحركة غير المعتادة بالقرب من مخارج الطريق السريع. ويتيح ذلك لمسؤولي المرور الاستجابة للحوادث خلال ثوانٍ، من دون الحاجة إلى وجودهم فعليًا في الموقع.

وتغذي البيانات أيضًا توأمًا رقميًا: نموذجًا افتراضيًا ثلاثي الأبعاد مباشرًا للطريق السريع يعرض ظروف حركة المرور الآنية، وتفاصيل المركبات، والازدحام الناشئ. ويراقب ضباط المرور هذه الواجهة المرئية لإدارة التدفق، وإصدار التنبيهات الذكية، والاستجابة للحوادث بسرعة ودقة.

التنقل الذاتي الذي تتيحه الرؤية الحاسوبية في الملاحة#

تتجاوز الملاحة اليوم مجرد الانتقال من النقطة A إلى النقطة B بكثير. فقد أصبحت الآن جزءًا أساسيًا من الأنظمة الذكية التي تنقل الأشخاص، وتدير السلع، وتتخذ قرارات آنية، سواء على الطريق أو داخل المستودعات.

توجد الرؤية الحاسوبية في صميم كثير من هذه الأنظمة، إذ تمكّن الآلات من تفسير البيانات المرئية والاستجابة فورًا لما يحيط بها. لنتناول بعض الأمثلة لنرى كيف تحول هذه التقنية الملاحة في بيئات مختلفة.

روبوتات المستودعات التي تتنقل باستخدام الرؤية الحاسوبية#

أصبحت الروبوتات عنصرًا أساسيًا في مستقبل الخدمات اللوجستية، لا سيما في عمليات المستودعات واسعة النطاق. ومع نمو الطلب على التجارة الإلكترونية، تعتمد الشركات بشكل متزايد على آلات مدعومة بالرؤية الحاسوبية للتنقل في البيئات المعقدة، وفرز العناصر، وإدارة المخزون بسرعة ودقة.

خذ، على سبيل المثال، مراكز تجهيز الطلبات التابعة لشركة Amazon، حيث يعمل أكثر من 750,000 روبوت جنبًا إلى جنب مع البشر للحفاظ على كفاءة العمليات. وتعتمد هذه الروبوتات بدرجة كبيرة على الرؤية الحاسوبية للتنقل في أرضيات المستودعات المزدحمة، وتحديد العناصر، واتخاذ قرارات سريعة ودقيقة.

ومن هذه الأنظمة Sequoia، وهي منصة روبوتية مصممة لتسريع مناولة المخزون. وتستخدم رؤية حاسوبية متقدمة لمسح المنتجات الواردة وعدّها وتنظيمها، مما يساعد على تبسيط عمليات التخزين والاسترجاع.

وبالمثل، يستخدم Vulcan، وهو ذراع روبوتية، الكاميرات وتحليل الصور لالتقاط العناصر بأمان من الرفوف، مع ضبط قبضته استنادًا إلى شكل كل جسم وموضعه، بل والتعرف على الحالات التي تتطلب مساعدة بشرية. وفي الوقت نفسه، يتخصص Cardinal، وهو روبوت آخر مزود بالرؤية، في الفرز: إذ يمسح أكوام الطرود المختلطة ويضعها بدقة في عربات الإرسال الصحيحة.

الشكل 4. يرفع Cardinal الطرود بدقة من كومة.

الرؤية الحاسوبية في ملاحة المركبات ذاتية القيادة#

حتى الآن، رأينا كيف تساعد الرؤية الحاسوبية الأشخاص والروبوتات على التنقل في بيئاتهم. لكنها لا تقل أهمية عن ذلك بالنسبة إلى الأنظمة الذاتية، مثل السيارات ذاتية القيادة، حيث تعتمد الملاحة بالكامل على ما تستطيع المركبة رؤيته وفهمه في الوقت الفعلي.

ومن الأمثلة الجيدة على ذلك نظام Tesla Vision. فقد اعتمدت Tesla نهجًا قائمًا على الكاميرات فقط للقيادة الذاتية، وأزالت الرادار والمستشعرات الأخرى لصالح شبكة من الكاميرات التي توفر رؤية كاملة بزاوية 360 درجة لما يحيط بالسيارة. وتغذي هذه الكاميرات الحاسوب Full Self-Driving (FSD) بالبيانات المرئية، ويستخدم الحاسوب الشبكات العصبية العميقة لتفسير البيئة واتخاذ قرارات القيادة في أجزاء من الثانية.

وبناءً على ما يراه، يقرر النظام متى يوجه السيارة أو يسرّعها أو يكبحها أو يغير مسارها، تمامًا كما يفعل السائق البشري، ولكن من خلال المدخلات المرئية بالكامل. وتحسن Tesla هذا النظام باستمرار عبر جمع كميات هائلة من بيانات القيادة الواقعية من أسطولها والتعلم منها.

الشكل 5. تستخدم Tesla الرؤية الحاسوبية للملاحة الآمنة والذاتية (المصدر: Tesla).

إيجابيات وسلبيات الرؤية الحاسوبية في الملاحة#

فيما يلي بعض المزايا الأساسية لاستخدام الرؤية الحاسوبية في الملاحة، لا سيما في الأنظمة التي تكون فيها الدقة والسلامة واتخاذ القرارات في الوقت الفعلي أمورًا ضرورية:

• تقلل استهلاك الوقود: من خلال مساعدة السائقين على تجنب الازدحام والمسارات التي تتطلب التوقف والانطلاق المتكرر، يمكن للرؤية الحاسوبية تقليل إجمالي استهلاك الوقود ووقت السفر، مما يجعل التنقلات اليومية أكثر كفاءة.
• تكتشف تآكل الطرق ومشكلات البنية التحتية: يمكن لـالحلول القائمة على الرؤية فحص الحفر، وعلامات المسارات الباهتة، والإشارات المكسورة، والبنية التحتية المتضررة، وتزويد فرق الصيانة ببيانات موثوقة وآنية.
• تتكامل بسلاسة مع أدوات الذكاء الاصطناعي الأخرى: يمكن دمج الرؤية الحاسوبية مع المساعدات الصوتية، أو نماذج التنبؤ بالسلوك، أو خوارزميات تحسين المسارات لإنشاء تجربة ملاحة ذكية وشخصية للغاية.

مع أن الرؤية الحاسوبية توفر فوائد عديدة للملاحة، فإنها تنطوي أيضًا على بعض القيود المهمة التي ينبغي مراعاتها عند تنفيذ هذه الحلول. وفيما يلي بعض التحديات الأساسية التي يجب أخذها في الحسبان:

• نقص القدرة على التعميم: غالبًا ما تواجه النماذج المدربة على بيئات أو سيناريوهات محددة صعوبة عند نشرها في سياقات جديدة أو متغيرة من دون إعادة تدريب.
• قيود الإضاءة: تعتمد أنظمة الرؤية على الإضاءة الجيدة والطقس الصافي للعمل بكفاءة. وفي الضباب أو الأمطار الغزيرة أو الظلام، ينخفض أداؤها ما لم تُدمج مع مستشعرات مثل LiDAR أو الرادار.
• مخاطر الخصوصية: يمكن لأنظمة الملاحة التي تستخدم الكاميرات التقاط صور الأشخاص والممتلكات الخاصة من دون موافقة. ويثير ذلك قضايا تتعلق بالخصوصية يجب معالجتها بعناية أثناء التطوير والنشر.

أهم النقاط المستخلصة#

تعيد الرؤية الحاسوبية ابتكار الملاحة من خلال جعل الخرائط أكثر ديناميكية، وأنظمة المرور أكثر ذكاءً، والتنقل أكثر إتاحة. فقد أصبحت المسارات التي كانت ثابتة في السابق تجارب تفاعلية آنية، تدعمها المعاينات الثلاثية الأبعاد الغامرة، والاتجاهات الموجهة بالواقع المعزز، وتقنيات النقل الذاتي.

مع تقدم التكنولوجيا، من المرجح أن يتحول التركيز نحو جعل هذه الأنظمة أكثر شمولًا وقدرة على التكيف ومسؤولية. وسيعتمد التقدم المستمر على تحسين الدقة عبر البيئات المتنوعة، والحفاظ على أداء موثوق، وحماية خصوصية المستخدمين. ويكمن مستقبل الرؤية الحاسوبية في الملاحة في بناء حلول ليست ذكية فحسب، بل تراعي أيضًا تصميمها وتأثيرها.

انضم إلى مجتمعنا المتنامي! استكشف مستودعنا على GitHub للتعرف على الذكاء الاصطناعي، واطّلع على خيارات الترخيص لبدء مشاريعك في مجال الذكاء الاصطناعي المرئي. هل تهتم بابتكارات مثل الذكاء الاصطناعي في قطاع التجزئة والرؤية الحاسوبية في الزراعة؟ تفضل بزيارة صفحات حلولنا لاكتشاف المزيد!