استكشاف الرؤية الحاسوبية في تطبيقات الملاحة

في الوقت الحاضر، أصبح إخراج هاتفك، وكتابة وجهتك، واتباع الاتجاهات خطوة بخطوة للوصول إلى هناك أمراً يبدو سهلاً. إنه شيء يستغرق بضع ثوانٍ فقط. لكن هذه الراحة اليومية هي نتيجة لسنوات من التقدم التكنولوجي. لقد قطعت الملاحة شوطاً طويلاً، من الخرائط الورقية والبوصلات إلى الأنظمة الذكية التي يمكنها فهم العالم والاستجابة له في الوقت الفعلي.

إحدى التقنيات الكامنة وراء هذا التحول هي computer vision، وهو فرع من الذكاء الاصطناعي (AI) يتيح للآلات تفسير المعلومات المرئية بالطريقة التي يفعلها البشر. تستخدم أدوات الملاحة المتطورة الآن صوراً في الوقت الفعلي من الأقمار الصناعية، وكاميرات السيارات، وأجهزة الاستشعار على مستوى الشارع لتحسين دقة الخرائط، ومراقبة حالة الطرق، وتوجيه المستخدمين عبر البيئات المعقدة.

في هذه المقالة، سنستكشف كيف يعمل computer vision على تحسين الملاحة من خلال تطوير خرائط نظام تحديد المواقع العالمي (GPS)، وتوفير تحديثات حركة المرور في الوقت الفعلي، ودعم تقنيات مثل ملاحة الواقع المعزز والمركبات المستقلة.

أنظمة ملاحة تعمل بالذكاء الاصطناعي مع خرائط ثلاثية الأبعاد غامرة#

أصبح استخدام أدوات مثل خرائط جوجل التنقل في الحياة اليومية أمراً شائعاً للغاية، سواء كنت تتجه عبر المدينة أو تبحث عن مقهى قريب. ومع تزايد تبني تقنيات الذكاء الاصطناعي، نشهد ميزات متقدمة بشكل متزايد مثل Immersive View، التي قدمتها خرائط جوجل في عام 2023، والتي تتيح للمستخدمين معاينة أجزاء من رحلتهم في بيئة ثلاثية الأبعاد (3D). أصبح هذا ممكناً من خلال مزيج من الذكاء الاصطناعي، والمسح التصويري، والرؤية الحاسوبية.

Fig 1. عرض غامر (Immersive View) لخرائط جوجل.

يبدأ كل شيء 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 تُستخدم لالتقاط الصور في أماكن لا يمكن للمركبات الوصول إليها، مثل مسارات المشي لمسافات طويلة أو الأزقة الضيقة.

يتم محاذاة هذه الصور مع بيانات الخريطة باستخدام التصوير المساحي، وهي تقنية تقوم بخياطة الصور ثنائية الأبعاد الملتقطة من زوايا مختلفة معاً لإنشاء نماذج ثلاثية الأبعاد دقيقة للشوارع والمباني والتضاريس.

تُستخدم الرؤية الحاسوبية بعد ذلك لتحليل هذه النماذج باستخدام اكتشاف الكائنات وimage segmentation لتحديد وتسمية الميزات المهمة مثل إشارات المرور، والأرصفة، وممرات المشاة، مداخل المباني.

Fig 2. يستخدم العرض الغامر (Immersive View) التقسيم لتجزئة الكائنات في الشارع.

تُستخدم البيانات المصنفة لتدريب أنظمة الذكاء الاصطناعي التي تتعرف على كيفية اختلاف الإشارات المرئية عبر المناطق. على سبيل المثال، يمكن للنظام بسهولة التمييز بين علامة "SLOW" (تمهل) في الولايات المتحدة، والتي عادة ما تكون على شكل معين أصفر أو برتقالي، وعلامة مشابهة في اليابان، والتي تكون عادة مثلثاً أحمر وأبيض. هذا المستوى من الفهم يجعل تجربة الملاحة أكثر دقة ووعياً ثقافياً.

أخيراً، يقوم Immersive View بتراكب مسارات الملاحة الحية فوق البيئة ثلاثية الأبعاد، مما يوفر تجربة سلسة وبديهية توضح تماماً إلى أين تتجه.

الواقع المعزز في حلول الملاحة#

لقد مررنا جميعاً على الأرجح بتجربة الدوران في دوائر محاولين معرفة الاتجاه الذي تشير إليه خرائط جوجل. هذا الارتباك هو بالضبط ما تهدف ملاحة augmented reality (AR)، وهي تقنية تضع معلومات رقمية فوق عرض الكاميرا في العالم الحقيقي، إلى حله. إنها تغير كيفية إيجاد الناس لطريقهم في الأماكن المزدحمة مثل شوارع المدينة أو المناطق الداخلية الكبيرة.

قد يكون من الصعب اتباع الخرائط العادية، خاصة عندما تكون إشارات GPS ضعيفة أو لا تعمل بشكل جيد. تعالج ملاحة AR هذا الأمر من خلال عرض اتجاهات رقمية، وأسهم، وتسميات مباشرة على عرض الكاميرا المباشر للعالم الحقيقي. وهذا يعني أن المستخدمين يرون إرشادات تتوافق مع الشوارع والمباني من حولهم، مما يسهل عليهم معرفة الطريق.

كيف يتم استخدام الواقع المعزز في الملاحة#

تعتمد الملاحة عبر الواقع المعزز (AR) على computer vision models لفهم البيئة من خلال كاميرا الجهاز. يتضمن ذلك مهام مختلفة مثل تحديد موقع الصورة، والذي يكتشف ميزات مثل حواف المباني أو إشارات المرور ويطابقها مع خريطة مخزنة. يقوم التحديد المتزامن للموقع والخرائط (SLAM) بإنشاء خريطة للبيئة مع تتبع موضع الجهاز في الوقت الفعلي.

على سبيل المثال، كان Zurich Airport الأول في تنفيذ العرض المباشر (Live View) من خرائط جوجل للملاحة الداخلية. يمكن للمسافرين استخدام كاميرات هواتفهم لرؤية الأسهم والاتجاهات المتراكبة في بيئة العالم الحقيقي، مما يوجههم عبر المحطات إلى البوابات والمتاجر والخدمات. هذا يحسن تجربة المسافر من خلال تسهيل الملاحة في المساحات الداخلية المعقدة.

Fig 3. يستخدم مطار زيورخ (Zurich Airport) الرؤية الحاسوبية والواقع المعزز (AR) لتوجيه المسافرين في الداخل.

تعزيز سلامة الطرق باستخدام أنظمة الملاحة بالذكاء الاصطناعي#

تزداد شوارع المدينة ازدحاماً يوماً بعد يوم. مع وجود المزيد من السيارات على الطريق، والأرصفة المزدحمة، والنشاط المستمر، أصبح الحفاظ على تدفق حركة المرور بسلاسة وأمان تحدياً متزايداً. للمساعدة في إدارة هذه الفوضى، تتجه العديد من المدن إلى الذكاء الاصطناعي والرؤية الحاسوبية.

تلتقط Smart cameras وأجهزة الاستشعار المثبتة عند التقاطعات وعلى طول الطرق تدفقاً مستمراً من البيانات المرئية. تتم معالجة تلك اللقطات في الوقت الفعلي للكشف عن الحوادث، ومراقبة تدفق حركة المرور، ورصد الحفر، والقبض على أشياء مثل وقوف السيارات غير القانوني أو سلوك المشاة المحفوف بالمخاطر.

مثال ممتع على ذلك هو Smart Airport Expressway في هانغتشو بالصين. تم ترقية هذا الطريق السريع الذي يبلغ طوله 20 كيلومتراً، والذي يربط وسط مدينة هانغتشو بمطار شياوشان الدولي، بكاميرات عالية الدقة ورادارات ذات موجات مليمترية. تقوم هذه الأجهزة باستمرار بجمع بيانات الفيديو والـاستشعار، والتي يتم تحليلها بعد ذلك باستخدام الرؤية الحاسوبية.

بدلاً من مجرد تسجيل اللقطات، يفسر النظام ما يحدث على الطريق. تكتشف خوارزميات الرؤية الحاسوبية تصادم المركبات، وتتعرف على مخالفات المرور، بل وتحدد المشاة أو الحركات غير المعتادة بالقرب من مخارج الطرق السريعة. وهذا يسمح لمسؤولي المرور بالاستجابة للحوادث في غضون ثوانٍ، دون الحاجة إلى التواجد فعلياً في الموقع.

تغذي البيانات أيضاً توأماً رقمياً: نموذج افتراضي ثلاثي الأبعاد مباشر للطريق السريع يعرض ظروف المرور في الوقت الفعلي، وتفاصيل المركبات، والازدحام الناشئ. يراقب ضباط المرور هذه الواجهة المرئية لإدارة التدفق، وإصدار تنبيهات ذكية، والاستجابة للحوادث بسرعة ودقة.

التنقل الذاتي المدعوم بالرؤية الحاسوبية في الملاحة#

تتجاوز الملاحة اليوم بكثير مجرد الانتقال من النقطة أ إلى النقطة ب. لقد أصبحت الآن جزءاً أساسياً من الأنظمة الذكية التي تنقل الأشخاص، وتدير البضائع، وتتخذ قرارات في الوقت الفعلي - سواء على الطريق أو داخل warehouses.

في قلب العديد من هذه الأنظمة تكمن الرؤية الحاسوبية، التي تمكن الآلات من تفسير البيانات المرئية والاستجابة فوراً لمحيطها. دعونا نستعرض بعض الأمثلة لنرى كيف تعمل هذه التكنولوجيا على تغيير الملاحة في بيئات مختلفة.

روبوتات المستودعات التي تتنقل باستخدام الرؤية الحاسوبية#

تصبح Robots ضرورية لمستقبل الخدمات اللوجستية، خاصة في عمليات المستودعات واسعة النطاق. مع نمو طلب التجارة الإلكترونية، تعتمد الشركات بشكل متزايد على الآلات المدعومة بالرؤية الحاسوبية للتنقل في البيئات المعقدة، وفرز العناصر، وإدارة المخزون بسرعة ودقة.

خذ على سبيل المثال Amazon’s fulfillment centers، حيث يعمل أكثر من 750,000 روبوت جنباً إلى جنب مع البشر للحفاظ على سير العمل بكفاءة. تعتمد هذه الروبوتات بشكل كبير على الرؤية الحاسوبية للتنقل في أرضيات المستودعات المزدحمة، وتحديد العناصر، واتخاذ قرارات سريعة ودقيقة.

أحد هذه الأنظمة هو Sequoia، وهو منصة روبوتية مصممة لتسريع التعامل مع المخزون. يستخدم الرؤية الحاسوبية المتقدمة لمسح المنتجات الواردة، وعدها، وتنظيمها، مما يساعد في تبسيط عمليات التخزين والاسترجاع.

وبالمثل، يستخدم Vulcan، وهو ذراع روبوتية، الكاميرات وتحليل الصور لالتقاط العناصر بأمان من الأرفف، مع تعديل قبضته بناءً على شكل وموقع كل كائن وحتى التعرف على متى تكون المساعدة البشرية مطلوبة. في الوقت نفسه، يتخصص Cardinal، وهو روبوت آخر يعمل بالرؤية، في الفرز: فهو يمسح أكواماً مختلطة من الطرود ويضعها بدقة في عربات النقل الصحيحة.

Fig 4. الكاردينال (Cardinal) يرفع الطرود بدقة من كومة.

الرؤية الحاسوبية في ملاحة المركبات ذاتية القيادة#

حتى الآن، رأينا كيف تساعد الرؤية الحاسوبية كلاً من البشر والروبوتات في التنقل في بيئاتهم. لكنها بنفس القدر من الأهمية للأنظمة المستقلة، مثل self-driving cars، حيث تعتمد الملاحة بالكامل على ما يمكن للسيارة رؤيته وفهمه في الوقت الفعلي.

مثال جيد هو Tesla Vision system. اعتمدت تسلا نهجاً يعتمد على الكاميرات فقط للقيادة الذاتية، مع إزالة الرادار وأجهزة الاستشعار الأخرى لصالح شبكة من الكاميرات التي توفر رؤية كاملة ب360 درجة لمحيط السيارة. تغذي هذه الكاميرات بيانات مرئية إلى كمبيوتر القيادة الذاتية الكاملة (FSD)، والذي يستخدم شبكات عصبية عميقة لتفسير البيئة واتخاذ قرارات القيادة في جزء من الثانية.

بناءً على ما يراه، يقرر النظام متى يجب التوجيه، أو التسارع، أو الكبح، أو تغيير المسارات - تماماً كما يفعل السائق البشري، ولكن بالكامل من خلال المدخلات المرئية. تعمل تسلا باستمرار على تحسين هذا النظام من خلال جمع والتعلم من كميات هائلة من بيانات القيادة في العالم الحقيقي عبر أسطولها.

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

إيجابيات وسلبيات الرؤية الحاسوبية في الملاحة#

فيما يلي بعض المزايا الرئيسية لاستخدام الرؤية الحاسوبية في الملاحة، خاصة في الأنظمة التي تكون فيها الدقة والسلامة واتخاذ القرار في الوقت الفعلي ضرورية:

• يقلل من استهلاك الوقود: من خلال مساعدة السائقين على تجنب حركة المرور وطرق التوقف والانطلاق، يمكن للرؤية الحاسوبية تقليل استهلاك الوقود الإجمالي ووقت السفر، مما يجعل التنقلات اليومية أكثر كفاءة.
• يكشف عن تآكل الطرق ومشاكل البنية التحتية: يمكن لـVision-based solutions البحث عن الحفر، وعلامات المارات الباهتة، واللافتات المكسورة، والبنية التحتية التالفة، مما يوفر لفرق الصيانة بيانات موثوقة في الوقت الفعلي.
• يتكامل بسلاسة مع أدوات الذكاء الاصطناعي الأخرى: يمكن دمج الرؤية الحاسوبية مع المساعدين الصوتيين، أو نماذج التنبؤ بالسلوك، أو خوارزميات تحسين المسار لإنشاء تجربة ملاحة ذكية وشخصية للغاية.

بينما تجلب الرؤية الحاسوبية العديد من الفوائد للملاحة، إلا أنها تأتي أيضاً مع بعض القيود المهمة التي يجب مراعاتها عند تنفيذ مثل هذه الحلول. فيما يلي بعض التحديات الرئيسية التي يجب وضعها في الاعتبار:

• نقص التعميم: غالباً ما تواجه النماذج المدربة على بيئات أو سيناريوهات محددة صعوبات عند نشرها في سياقات جديدة أو متغيرة دون إعادة تدريب.
• قيود الإضاءة: تعتمد أنظمة الرؤية على الإضاءة الجيدة والطقس الصافي لتعمل بشكل جيد. في الضباب، أو الأمطار الغزيرة، أو الظلام، ينخفض أداؤها ما لم يتم دمجها مع أجهزة استشعار مثل LiDAR أو الرادار.
• Privacy risks: يمكن لأنظمة الملاحة التي تستخدم الكاميرات التقاط صور لأشخاص وممتلكات خاصة دون موافقة. وهذا يثير مخاوف الخصوصية التي يجب معالجتها بعناية أثناء التطوير والنشر.

أبرز النقاط#

تعيد الرؤية الحاسوبية ابتكار الملاحة من خلال جعل الخرائط أكثر ديناميكية، وأنظمة المرور أكثر ذكاءً، والتنقل أكثر سهولة. ما كان يوماً مسارات ثابتة أصبح الآن تجارب تفاعلية في الوقت الفعلي - مدعومة بمعاينات ثلاثية الأبعاد غامرة، واتجاهات موجهة بالواقع المعزز، وتقنيات النقل الذاتي.

مع تقدم التكنولوجيا، من المرجح أن يتحول التركيز نحو جعل هذه الأنظمة أكثر شمولاً وقابلية للتكيف ومسؤولية. سيعتمد التقدم المستمر على تحسين الدقة عبر البيئات المتنوعة، والحفاظ على أداء موثوق، وحماية خصوصية المستخدم. يكمن مستقبل الرؤية الحاسوبية في الملاحة في بناء حلول ليست ذكية فحسب، بل تراعي أيضاً تصميمها وتأثيرها.

انضم إلى community النامى لدينا! استكشف GitHub repository الخاص بنا للتعرف على الذكاء الاصطناعي، وتحقق من licensing options الخاصة بنا لبدء مشاريع رؤية الذكاء الاصطناعي الخاصة بك. هل أنت مهتم بالابتكار مثل AI in retail وcomputer vision in agriculture؟ تفضل بزيارة صفحات الحلول الخاصة بنا لاكتشاف المزيد!