استكشاف الرؤية الحاسوبية في تطبيقات الملاحة

في أيامنا هذه، يبدو إخراج الهاتف وكتابة الوجهة واتباع التوجيهات خطوة بخطوة للوصول إليها أمرًا سهلًا للغاية، ولا يستغرق سوى بضع ثوانٍ. لكن هذه الراحة اليومية هي ثمرة سنوات من التقدم التكنولوجي. فقد قطعت الملاحة شوطًا طويلًا، من الخرائط الورقية والبوصلة إلى الأنظمة الذكية القادرة على فهم العالم والاستجابة له في الوقت الفعلي.

إحدى التقنيات التي تقف وراء هذا التحول هي الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي (AI) يتيح للآلات تفسير المعلومات المرئية كما يفعل البشر. وتستخدم أدوات الملاحة الحديثة الآن صورًا آنية من الأقمار الصناعية وكاميرات السيارات وأجهزة الاستشعار على مستوى الشوارع لتحسين دقة الخرائط، ومراقبة أحوال الطرق، وإرشاد المستخدمين عبر البيئات المعقدة.

في هذا المقال، سنستكشف كيف تعزز الرؤية الحاسوبية أنظمة الملاحة من خلال تحسين خرائط GPS وتوفير تحديثات حركة المرور في الوقت الفعلي ودعم تقنيات مثل الملاحة بالواقع المعزز والمركبات ذاتية القيادة.

أنظمة الملاحة بالذكاء الاصطناعي مع الخرائط ثلاثية الأبعاد الغامرة#

أصبح استخدام أدوات مثل Google Maps للتنقل في الحياة اليومية شائعًا جدًا، سواء أكنت تعبر المدينة أم تبحث عن مقهى قريب. ومع اتساع اعتماد تقنيات الذكاء الاصطناعي، نشهد ميزات متطورة على نحو متزايد، مثل العرض الغامر، الذي قدمته Google Maps عام 2023 ويتيح للمستخدمين استعراض أجزاء من رحلتهم في بيئة ثلاثية الأبعاد. ويتحقق ذلك من خلال الجمع بين الذكاء الاصطناعي والمسح التصويري والرؤية الحاسوبية.

الشكل 1. العرض الغامر في Google Maps.

يبدأ الأمر بمليارات الصور عالية الدقة التي تلتقطها مجموعة من المعدات المتخصصة. وتشمل هذه المعدات سيارات Street View، وهي مركبات مزودة بكاميرات بزاوية 360 درجة تجوب المدن، وأجهزة Trekker، وهي حقائب ظهر قابلة للارتداء ومزودة بكاميرات لالتقاط الصور في الأماكن التي لا تستطيع المركبات الوصول إليها، مثل مسارات المشي أو الأزقة الضيقة.

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

ثم تُستخدم الرؤية الحاسوبية لتحليل هذه النماذج عبر اكتشاف الكائنات وتقسيم الصور، وذلك لتحديد المعالم المهمة وتسميتها، مثل إشارات الطرق والأرصفة وممرات المشاة ومداخل المباني.

الشكل 2. يستخدم العرض الغامر التقسيم لتقسيم الكائنات في شارع.

تُستخدم البيانات المصنفة لتدريب أنظمة الذكاء الاصطناعي على التعرّف إلى اختلاف الإشارات المرئية بين المناطق. فعلى سبيل المثال، يستطيع النظام التمييز بسهولة بين إشارة «SLOW» في الولايات المتحدة، التي تكون عادةً على شكل مُعين أصفر أو برتقالي، وإشارة مشابهة في اليابان، تكون عادةً مثلثًا أحمر وأبيض. ويجعل هذا المستوى من الفهم تجربة الملاحة أدق وأكثر مراعاةً للاختلافات الثقافية.

وأخيرًا، يعرض العرض الغامر مسارات الملاحة المباشرة فوق البيئة ثلاثية الأبعاد، موفرًا تجربة سلسة وبديهية توضّح بدقة وجهتك.

الواقع المعزز في حلول الملاحة#

ربما مررنا جميعًا بتجربة الدوران في المكان ومحاولة معرفة الاتجاه الذي تشير إليه Google Maps. وهذا الالتباس تحديدًا هو ما تهدف الملاحة باستخدام الواقع المعزز (AR)، وهي تقنية تعرض معلومات رقمية فوق المشهد الواقعي الذي تلتقطه الكاميرا، إلى معالجته. وهي تغيّر طريقة عثور الناس على وجهاتهم في الأماكن المزدحمة، مثل شوارع المدن أو المساحات الداخلية الكبيرة.

قد يصعب اتباع الخرائط التقليدية، خاصة عندما تكون إشارات GPS ضعيفة أو لا تعمل جيدًا. وتعالج الملاحة بالواقع المعزز هذه المشكلة من خلال عرض التوجيهات الرقمية والأسهم والتسميات مباشرةً على المشهد الواقعي المباشر الذي تلتقطه الكاميرا. وهذا يعني أن المستخدمين يرون إرشادات تتوافق مع الشوارع والمباني المحيطة بهم، ما يسهل عليهم معرفة الاتجاه الذي ينبغي أن يسلكوه.

استخدام الواقع المعزز في الملاحة#

تعتمد الملاحة بالواقع المعزز على نماذج الرؤية الحاسوبية لفهم البيئة المحيطة عبر كاميرا الجهاز. ويشمل ذلك مهامًا متنوعة مثل تحديد الموقع في الصور، حيث تُكتشف معالم مثل حواف المباني أو لافتات الشوارع وتُطابق مع خريطة مخزنة. وتنشئ تقنية التحديد المتزامن للموقع ورسم الخرائط (SLAM) خريطة للبيئة مع تتبع موقع الجهاز في الوقت الفعلي.

فعلى سبيل المثال، كان مطار زيورخ أول مطار يطبّق ميزة Live View من Google Maps للملاحة الداخلية. ويمكن للمسافرين استخدام كاميرات هواتفهم لرؤية الأسهم والتوجيهات المعروضة فوق البيئة الواقعية، بما يرشدهم عبر مباني الركاب إلى البوابات والمتاجر والخدمات. وهذا يحسن تجربة المسافرين بتسهيل التنقل في المساحات الداخلية المعقدة.

الشكل 3. يستخدم مطار زيورخ الرؤية الحاسوبية والواقع المعزز لإرشاد المسافرين داخل المبنى.

تعزيز السلامة على الطرق باستخدام أنظمة الملاحة بالذكاء الاصطناعي#

تزداد شوارع المدن ازدحامًا يومًا بعد يوم. ومع زيادة عدد السيارات على الطرق، وازدحام الأرصفة، واستمرار النشاط، يصبح الحفاظ على انسيابية حركة المرور وسلامتها تحديًا متناميًا. ولمواجهة هذه الفوضى، تلجأ 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 انسيابية حركة المرور، ورصد الحفر، واكتشاف أمور مثل الوقوف غير القانوني أو سلوك المشاة الخطر.

ومن الأمثلة اللافتة على ذلك طريق المطار السريع الذكي في هانغتشو بالصين. وقد جرى تحديث هذا الطريق السريع الممتد 20 كيلومترًا، والذي يربط وسط هانغتشو بمطار شياوشان الدولي، بكاميرات عالية الدقة ورادارات موجات مليمترية. وتجمع هذه الأجهزة باستمرار بيانات الفيديو والمستشعرات، ثم تُحلل باستخدام الرؤية الحاسوبية.

لا يقتصر النظام على تسجيل اللقطات، بل يفسر ما يحدث على الطريق. إذ تعمل خوارزميات الرؤية الحاسوبية على اكتشاف تصادمات المركبات والتعرف على المخالفات المرورية، بل وتحديد المشاة أو التحركات غير المعتادة قرب مخارج الطرق السريعة. وهذا يتيح لمسؤولي المرور الاستجابة للحوادث خلال ثوانٍ، من دون الحاجة إلى الوجود في الموقع فعليًا.

وتُغذّي البيانات أيضًا توأمًا رقميًا: وهو نموذج افتراضي مباشر ثلاثي الأبعاد للطريق السريع يعرض ظروف حركة المرور في الوقت الفعلي وتفاصيل المركبات والازدحام الناشئ. ويراقب مسؤولو المرور هذه الواجهة المرئية لإدارة تدفق المركبات وإصدار تنبيهات ذكية والاستجابة للحوادث بسرعة ودقة.

التنقل الذاتي بفضل الرؤية الحاسوبية في الملاحة#

تتجاوز الملاحة اليوم مجرد الانتقال من النقطة أ إلى النقطة ب. فقد أصبحت جزءًا أساسيًا من الأنظمة الذكية التي تنقل الأشخاص، وتدير البضائع، وتتخذ القرارات في الوقت الفعلي، سواء على الطرق أو داخل المستودعات.

تقع الرؤية الحاسوبية في صميم كثير من هذه الأنظمة، إذ تمكّن الآلات من تفسير البيانات المرئية والاستجابة فورًا لما يحيط بها. لنستعرض بعض الأمثلة لمعرفة كيف تُحدث هذه التقنية تحولًا في الملاحة ضمن بيئات مختلفة.

روبوتات المستودعات تتنقل باستخدام الرؤية الحاسوبية#

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

لنأخذ مراكز تنفيذ الطلبات التابعة لـAmazon مثالًا، حيث يعمل أكثر من 750,000 روبوت إلى جانب البشر لضمان كفاءة العمليات. وتعتمد هذه الروبوتات اعتمادًا كبيرًا 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، ما يساعد على تبسيط عمليات التخزين والاسترجاع.

وبالمثل، يستخدم Vulcan، وهو ذراع روبوتية، الكاميرات وتحليل الصور لالتقاط العناصر بأمان من الرفوف، مع ضبط قبضته وفق شكل كل عنصر وموضعه، بل والتعرّف إلى الحالات التي تتطلب مساعدة بشرية. أما Cardinal، وهو روبوت آخر مزود بالرؤية، فيتخصص في الفرز: إذ يمسح أكوام الطرود المختلطة ويضعها بدقة في عربات الشحن الصحيحة.

الشكل 4. Cardinal يرفع الطرود بدقة من كومة.

الرؤية الحاسوبية في ملاحة المركبات ذاتية القيادة#

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

ومن الأمثلة الجيدة نظام Tesla Vision. فقد اعتمدت Tesla نهجًا للقيادة الذاتية قائمًا على الكاميرات وحدها، مستغنيةً عن الرادار والمستشعرات الأخرى لصالح شبكة من الكاميرات توفر رؤية كاملة بزاوية 360 درجة لما يحيط بالسيارة. وتنقل هذه الكاميرات البيانات المرئية إلى حاسوب القيادة الذاتية الكاملة (FSD)، الذي يستخدم الشبكات العصبية العميقة لتفسير البيئة واتخاذ قرارات القيادة في أجزاء من الثانية.

استنادًا إلى ما يراه، يقرر النظام متى يوجّه السيارة أو يسرّعها أو يبطئها أو يغير مسارها، تمامًا كما يفعل السائق البشري، لكن بالاعتماد كليًا على المدخلات المرئية. وتعمل Tesla باستمرار على تحسين هذا النظام من خلال جمع كميات هائلة من بيانات القيادة الواقعية من أسطولها والتعلم منها.

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

مزايا وعيوب الرؤية الحاسوبية في الملاحة#

فيما يلي بعض المزايا الرئيسية لاستخدام الرؤية الحاسوبية في الملاحة، ولا سيما في الأنظمة التي تتطلب الدقة والسلامة واتخاذ القرارات في الوقت الفعلي:

• تقلل استهلاك الوقود: بمساعدة السائقين على تجنب الازدحام والمسارات التي تتطلب التوقف والانطلاق المتكرر، يمكن للرؤية الحاسوبية خفض استهلاك الوقود الإجمالي ووقت السفر، ما يجعل التنقل اليومي أكثر كفاءة.
• تكشف تآكل الطرق ومشكلات البنية التحتية: يمكن لـالحلول القائمة على الرؤية مسح الطرق بحثًا عن الحفر وخطوط المسارات الباهتة والإشارات المكسورة والبنية التحتية المتضررة، وتزويد فرق الصيانة ببيانات موثوقة في الوقت الفعلي.
• التكامل مع أدوات الذكاء الاصطناعي الأخرى: يمكن دمج الرؤية الحاسوبية مع المساعدات الصوتية أو نماذج التنبؤ بالسلوك أو خوارزميات تحسين المسارات لإنشاء تجربة ملاحة أكثر تخصيصًا.

مع أن الرؤية الحاسوبية تقدم فوائد كثيرة للملاحة، فإنها تنطوي أيضًا على بعض القيود المهمة التي ينبغي مراعاتها عند تنفيذ هذه الحلول. وفيما يلي أبرز التحديات التي يجدر أخذها في الحسبان:

• ضعف قابلية التعميم: غالبًا ما تواجه النماذج المدربة على بيئات أو سيناريوهات محددة صعوبة عند نشرها في سياقات جديدة أو متغيرة دون إعادة تدريبها.
• قيود الإضاءة: تعتمد أنظمة الرؤية على الإضاءة الجيدة والطقس الصافي لتعمل بكفاءة. وينخفض أداؤها في الضباب أو الأمطار الغزيرة أو الظلام، ما لم تُدمج مع مستشعرات مثل LiDAR أو الرادار.
• مخاطر الخصوصية: قد تلتقط أنظمة الملاحة التي تستخدم الكاميرات صور الأشخاص والممتلكات الخاصة دون موافقة. ويثير ذلك مسائل تتعلق بالخصوصية يجب معالجتها بعناية أثناء التطوير والنشر.

أبرز النقاط#

تعيد الرؤية الحاسوبية ابتكار الملاحة بجعل الخرائط أكثر ديناميكية، وأنظمة المرور أذكى، والتنقل أكثر سهولة. فالمسارات التي كانت ثابتة أصبحت تجارب تفاعلية آنية، مدعومة باستعراضات ثلاثية الأبعاد غامرة وتوجيهات بمساعدة الواقع المعزز وتقنيات النقل الذاتي.

ومع تقدم التكنولوجيا، يُرجح أن يتحول التركيز نحو جعل هذه الأنظمة أكثر شمولًا وقدرةً على التكيف ومسؤوليةً. وسيعتمد التقدم المستمر على تحسين الدقة عبر بيئات متنوعة، والحفاظ على موثوقية الأداء، وحماية خصوصية المستخدمين. ويتمثل مستقبل الرؤية الحاسوبية في الملاحة في بناء حلول لا تتسم بالذكاء فحسب، بل تراعي أيضًا تصميمها وتأثيرها.

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