تحسين التنبؤ بالتصادم باستخدام نماذج Ultralytics YOLO

رغم توخي الحذر على الطريق، قد تقع الحوادث مع ذلك. فقد تغيّر سيارة مسارها، أو يعبر أحد المشاة الطريق بشكل مخالف، أو يسرّع راكب دراجة دون سابق إنذار. وتمثل هذه المواقف اليومية أمثلة على الحالات التي يمكن لأنظمة التنبؤ بالتصادم أن تحدث فيها فرقًا حقيقيًا، وأن تساعد في الحفاظ على سلامة الجميع.

سبق أن تناولنا التنبؤ بمسار الكرة، ورأينا كيف يساعد التنبؤ بمسار كرة سريعة الحركة تحليلات الرياضة على فهم الحركة واستباق ما سيحدث لاحقًا. ويعمل التنبؤ بالتصادم بطريقة مماثلة.

تنظر أنظمة التنبؤ هذه، في جوهرها، إلى المستقبل. فمن خلال مراقبة حركة المركبات والمشاة، يمكنها اكتشاف المخاطر مبكرًا وتعديل مسارها أو سلوكها قبل أن (ويُعرف ذلك أيضًا بتخطيط الحركة أو تخطيط المسار) تتخذ الأمور منحى خطيرًا.

تتمثل تقنيات علوم الحاسوب الأساسية الكامنة وراء أنظمة التنبؤ بالتصادم في الذكاء الاصطناعي وتخصصاته الفرعية، مثل الرؤية الحاسوبية وأساليب التنبؤ التي تساعد على توقع كيفية تحرك الأشياء. فعلى سبيل المثال، يمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 وUltralytics YOLO26 المرتقب لاكتشاف عناصر مثل المركبات والمشاة وتتبعها في الوقت الفعلي، بينما تستخدم نماذج التنبؤ هذه الرؤى لتقدير تحركاتها التالية.

الشكل 1. مثال على استخدام YOLO11 لاكتشاف العناصر على الطريق (المصدر).

والنتيجة هي نظام ذكاء اصطناعي يفهم ما يحدث من حوله ويدعم اتخاذ قرارات أكثر ذكاءً في البيئات الديناميكية. في هذه المقالة، سنستكشف كيفية عمل التنبؤ بالتصادم، والأساليب الكامنة وراءه، والدور الذي يمكن أن تؤديه الرؤية الحاسوبية ونماذج Ultralytics YOLO في هذه العملية. لنبدأ!

ما التنبؤ بالتصادم؟#

التنبؤ بالتصادم هو قدرة نظام ذكاء اصطناعي على فهم كيفية تحرك العناصر وتوقع الحالات التي قد تقترب فيها كثيرًا من بعضها أو تتلامس. ويمكن للأنظمة المختلفة استخدام هذه المعلومات بطرق عديدة، بما في ذلك دعم ميزات السلامة، أو تحسين الحركة، أو تنسيق الإجراءات في المساحات المشتركة.

أينما تتحرك العناصر عبر مساحة مشتركة، سواء أكانت سيارات على طريق سريع، أو رافعات شوكية في ممر مستودع، أو مشاة يعبرون شارعًا، يساعد التنبؤ بالتصادم الأنظمة على فهم كيفية تطور هذه التفاعلات. وفي التطبيقات التي تركز على السلامة، يمكن استخدام هذه الرؤية الاستباقية للحد من المخاطر، بينما يمكنها في البيئات الأخرى دعم مهام مثل تخطيط المسارات، أو ضبط التوقيت، أو تنسيق الحركة.

فعلى سبيل المثال، في العديد من المركبات الحديثة المجهزة بأنظمة متقدمة لمساعدة السائق، أو ADAS، تراقب الكاميرات وأجهزة الاستشعار الطريق أمام السيارة وتقدّر سرعة اقترابها من العناصر القريبة. وإذا اكتشف النظام أن الموقف قد يصبح غير آمن، فإنه ينبه السائق، وقد تساعد المكابح التلقائية في بعض الحالات على تقليل شدة الاصطدام.

استكشاف المراحل الأربع للتنبؤ بالتصادم#

ينطوي التنبؤ بالتصادم على عملية منسقة تعمل فيها مكونات مختلفة من الذكاء الاصطناعي معًا لتحديد العناصر، وتتبع حركتها، وتقدير ما قد يحدث لاحقًا. وتعمل هذه الأنظمة عادةً عبر أربع مراحل مترابطة: اكتشاف العناصر، وتتبع العناصر، والتنبؤ بالمسار، وأخيرًا التنبؤ بالتصادم، إذ تبني كل مرحلة على دقة المرحلة السابقة.

والآن، دعونا نلقي نظرة فاحصة على كيفية عمل كل مرحلة.

نظرة على اكتشاف العناصر#

يُعد اكتشاف العناصر مهمة أساسية في الرؤية الحاسوبية، تحدد فيها نماذج ذكاء اصطناعي للرؤية العناصر وتحدد مواقعها في صورة أو إطار فيديو. ومن خلال تحليل بيانات وحدات البكسل، يمكن لنموذج اكتشاف العناصر إنتاج ثلاثة مخرجات رئيسية: المربعات المحيطة، وفئات العناصر، ودرجات الثقة. وتوضح المربعات المحيطة موضع العنصر، وتشير فئات العناصر إلى ماهيته، مثل سيارة أو أحد المشاة أو راكب دراجة، بينما تعكس درجات الثقة مدى يقين النموذج من التنبؤ.

تبني نماذج ذكاء اصطناعي للرؤية مثل YOLO11 وYOLO26 على هذا الأساس وتدعم عدة مهام ذات صلة، منها اكتشاف العناصر، وتتبع العناصر، واكتشاف المربعات المحيطة الموجهة (OBB). ويمكن لاكتشاف العناصر إخبار نظام التنبؤ بما يوجد في كل إطار، بينما يتتبع التتبع تلك العناصر أثناء تحركها، وتوفر المربعات المحيطة الموجهة أشكالًا أكثر دقة للعناصر التي تظهر من زوايا مختلفة.

في هذه المرحلة، يركز نظام التنبؤ بالتصادم فحسب على فهم ما هو موجود في البيانات المرئية. وهو يشكل طبقة المعلومات الأساسية التي تعتمد عليها جميع الخطوات اللاحقة، لكنه لا يأخذ في الحسبان بعد كيفية تحرك العناصر أو تفاعلها.

نظرة عامة على تتبع العناصر#

بعد اكتشاف العناصر، تتمثل الخطوة التالية في تتبعها عبر الإطارات حتى يفهم النظام كيفية تحركها بمرور الوقت. وبينما يوفر الاكتشاف مربعات محيطة جديدة في كل إطار، يضيف تتبع العناصر الاستمرارية من خلال ربط تلك الاكتشافات بمرور الوقت.

تعمل خوارزميات التتبع التي تدعمها حزمة Ultralytics Python، مثل ByteTrack وBoT-SORT، مع نماذج مثل YOLO11 باستخدام بيانات الاكتشاف من كل إطار لتتبع العناصر أثناء تحركها. وتعيّن هذه الخوارزميات معرّفًا فريدًا لكل عنصر، وتستخدمه للحفاظ على هويته حتى عندما يتحرك العنصر بسرعة أو يصبح مخفيًا جزئيًا. وينشئ ذلك سجلًا سلسًا للتتبع يلتقط كيفية تحرك العنصر.

الشكل 2. نظرة على تعيين معرّفات فريدة للاكتشافات المختلفة باستخدام YOLO (المصدر)

إليك لمحة سريعة عن كيفية عمل طريقتي التتبع هاتين:

• ByteTrack: يستخدم الاكتشافات ذات الثقة العالية والمنخفضة معًا للحفاظ على معرّفات متسقة للعناصر، بينما تساعد تنبؤات الحركة من مرشح Kalman المتتبع على الحفاظ على استقراره عندما تتحرك العناصر بسرعة أو يصعب اكتشافها لفترة وجيزة.
• BoT-SORT: توسّع هذه الخوارزمية SORT من خلال الجمع بين تنبؤات الحركة لمرشح Kalman ومؤشرات المظهر، مما يتيح للمتتبع متابعة العناصر بموثوقية أكبر في المشاهد المزدحمة أو أثناء الحجب الجزئي.

لقياس مدى أداء طريقتي التتبع، يقيّمهما الباحثون على مجموعات بيانات ومعايير معتمدة لتتبع العناصر المتعددة (MOT). وتشمل المقاييس الشائعة أيضًا دقة تتبع العناصر المتعددة (MOTA)، التي تعكس جودة التتبع الإجمالية؛ ودرجة F1 للتعرّف (IDF1)، التي تقيس مدى اتساق الحفاظ على هويات العناصر؛ ودقة التتبع عالية الرتبة (HOTA)، التي تقدم رؤية متوازنة لكل من أداء الاكتشاف ودقة الربط.

فهم التنبؤ بالمسار#

بعد تتبع عنصر عبر عدة إطارات، تتمثل الخطوة التالية في التنبؤ بالوجهة التي سيتجه إليها. ويُعرف ذلك باسم التنبؤ بالمسار. فبينما يعثر الاكتشاف على العناصر ويتتبع التتبع كيفية تحركها، ينظر التنبؤ إلى المستقبل ويقدّر مواقعها القادمة.

يمكن استخدام المعلومات المستمدة من الاكتشاف والتتبع، مثل المربع المحيط بالعنصر، وموضعه عبر الإطارات، والمعرّف المعيّن له، لحساب سمات الحركة مثل السرعة والاتجاه وأنماط الحركة. وتوفر هذه الرؤى المشتقة لنموذج التنبؤ البيانات التي يحتاج إليها لتقدير موضع العنصر المحتمل خلال الثواني القليلة التالية.

في الحالات التي تحتوي فيها بيانات التتبع على فجوات أو قفزات مفاجئة، تساعد تقنيات الاستيفاء على إعادة بناء مسارات أكثر سلاسة واتساقًا. ويضمن ذلك تلقي نموذج التنبؤ مدخلات حركة عالية الجودة بدلًا من بيانات موضع مشوشة أو غير مكتملة.

الشكل 3. تصوير مرئي للتنبؤ بمسار سيارة. (المصدر)

لإجراء هذه التنبؤات، تعتمد أنظمة كثيرة على نماذج تعلم عميق مصممة لفهم كيفية تغير حركة العنصر بمرور الوقت. ومن خلال تحليل تسلسلات المواضع السابقة وسمات الحركة المشتقة منها، تتعلم هذه النماذج أنماط الحركة الشائعة وتستخدم تلك المعرفة للتنبؤ بالمسارات المستقبلية.

فيما يلي بعض أساليب التعلم العميق وتعلم الآلة الشائعة الاستخدام للتنبؤ بالمسار:

• الشبكات العصبية المتكررة (RNNs): شبكات RNNs هي نماذج تعلم عميق مصممة للعمل مع التسلسلات، مثل سلسلة من إطارات الفيديو. ويمكنها الاحتفاظ بذاكرة للمواضع السابقة واستخدام تلك المعلومات لفهم كيفية تحرك العنصر. ويساعد ذلك النظام على التعرف على أنماط حركة بسيطة مثل التسارع، أو التباطؤ، أو التحرك في خط مستقيم.

• شبكات الذاكرة طويلة وقصيرة الأمد (LSTMs): تُعد LSTMs نوعًا أكثر تقدمًا من RNN يمكنه تذكر المعلومات لفترات أطول. ويتيح لها ذلك التقاط حركات أكثر تعقيدًا، مثل استعداد مركبة للانعطاف أو تغيير أحد المشاة لاتجاهه. وبفضل قدرتها على تتبع الاتجاهات لفترات أطول، فإنها غالبًا ما تنتج تنبؤات أكثر موثوقية في البيئات المزدحمة.

• Transformers: تعالج Transformers تسلسلات الحركة الكاملة وتستخدم آلية الانتباه للتركيز على أهم تفاصيل هذه التسلسلات. ويجعلها ذلك فعالة خصوصًا في المشاهد التي تتفاعل فيها عناصر متعددة، مثل السيارات المندمجة أو المشاة المتقاطعين.

يمكن لهذه النماذج التنبؤ بالمسارات قصيرة الأمد وطويلة الأمد على حد سواء. وتميل التنبؤات قصيرة الأمد، التي تقل عادةً عن ثانيتين، إلى أن تكون الأدق، بينما توفر التنبؤات ضمن نوافذ أطول، مثل ثانيتين إلى ست ثوانٍ، رؤية استباقية أكبر لكنها تنطوي على قدر أعلى من عدم اليقين.

جمع كل العناصر معًا: خوارزميات اكتشاف التصادم#

في المرحلة النهائية، أي التنبؤ بالتصادم، يستخدم النظام كل ما تعلمه حتى الآن: ماهية كل عنصر (الاكتشاف)، وكيف تحرك (التتبع)، وإلى أين يُرجح أن يتجه لاحقًا (التنبؤ). وتتحقق هذه الخطوة مما إذا كانت أي من المسارات المتنبأ بها قد تتقاطع بطريقة قد تؤدي إلى تصادم.

الشكل 4. كيفية عمل نظام التنبؤ بالتصادم (المصدر)

في حالة المركبات ذاتية القيادة، يقارن نظام فحص التصادم المسارات المستقبلية للعناصر القريبة، مثل السيارات والمشاة وراكبي الدراجات. فإذا تداخل مساران متنبأ بهما أو اقتربا من بعضهما بدرجة خطيرة، يحدد النظام الموقف باعتباره تصادمًا محتملًا للمركبة. ولفهم مدى إلحاح خطر التصادم، يحسب النظام أيضًا قيمة تُعرف باسم زمن التصادم.

يُعد زمن التصادم (TTC) مقياسًا أساسيًا في البيئات سريعة الحركة. إذ يقدّر مقدار الوقت المتبقي قبل أن يصطدم عنصران إذا واصلا التحرك بسرعتيهما واتجاهيهما الحاليين. وعندما ينخفض TTC عن حد معين، يمكن للنظام الاستجابة بإصدار تحذيرات، أو استخدام المكابح، أو تعديل مساره المخطط.

التطبيقات الواقعية للتنبؤ بالتصادم#

أصبح التنبؤ بالتصادم بالغ الأهمية في العديد من القطاعات، بما في ذلك إدارة المرور، والبنية التحتية للمدن الذكية، والأتمتة الصناعية، والروبوتات المتنقلة. ومع استمرار تطور نماذج الرؤية الحاسوبية والتنبؤ المتقدمة، تزداد قدرة هذه الأنظمة على استباق الحركة.

والآن بعد أن أصبح لدينا فهم أفضل لكيفية عمل التنبؤ بالتصادم والتنبؤ بالمسار، دعونا نلقي نظرة على بعض الدراسات البحثية المثيرة للاهتمام التي تستعرض كيفية استخدام هذه الأساليب في بيئات واقعية متنوعة.

التنبؤ بالتصادم للمركبات ذاتية القيادة في حالات الطوارئ والمدعوم بـ YOLO#

يمثل التنقل في البيئات المزدحمة وغير المتوقعة أحد أصعب التحديات أمام الأنظمة ذاتية القيادة، ولا سيما عندما يتحرك المشاة بطرق لا تتبع أنماطًا واضحة. وتواجه مركبات الطوارئ هذه المشكلة بوتيرة أكبر، إذ تحتاج إلى التحرك بسرعة عالية عبر الأماكن العامة المكتظة دون الاعتماد على طرق منظمة، أو علامات مسارات، أو سلوك متوقع للمشاة.

في هذه السيناريوهات، يصبح فهم أماكن الأشخاص وكيفية تحركهم المحتملة خلال الثواني القليلة التالية أمرًا أساسيًا لتجنب الحوادث. فعلى سبيل المثال، استكشفت دراسة بحثية حديثة هذا التحدي من خلال بناء خط أنابيب كامل للتنبؤ بالتصادم لمركبة ذاتية القيادة للطوارئ (EAV) تعمل في بيئات كثيفة بالمشاة.

كيفية عمل خط أنابيب التنبؤ بالتصادم المدعوم بـ YOLO#

إليك لمحة عن كيفية عمل هذه المنهجية:

• اكتشاف المشاة باستخدام YOLO: يحدد كاشف قائم على YOLO المشاة في كل إطار من إطارات الكاميرا، ويُخرج مربعات محيطة لكل شخص ظاهر.
• تتبع الحركة باستخدام ByteTrack: تربط خوارزمية ByteTrack هذه الاكتشافات عبر الإطارات، فتمنح كل مشاة معرّفًا متسقًا وتنشئ سجلًا للحركة يوضح كيفية تحركهم بمرور الوقت.
• تقدير الموضع في العالم الحقيقي: يحوّل الإسقاط المنظوري العكسي (IPM) إحداثيات البكسل ثنائية الأبعاد إلى مواضع تقريبية على مستوى الأرض، مما يساعد النظام على فهم أماكن المشاة في العالم الحقيقي بالنسبة إلى المركبة.
• إنشاء منظور علوي باستخدام cGAN: ينشئ GAN مشروط، وهو نموذج ذكاء اصطناعي يترجم تنسيق صورة إلى تنسيق آخر، تمثيلًا علويًا للمشهد. ويجعل هذا التخطيط من الأعلى تفسير مواضع المشاة والمناطق المحيطة بهم أسهل.
• التنبؤ بالمسار باستخدام نموذج LSTM: باستخدام المواضع السابقة وأنماط الحركة الخاصة بكل مشاة، يتنبأ نموذج LSTM بالاتجاه المحتمل لتحركهم خلال الثواني القليلة التالية.
• اكتشاف التصادم بكفاءة باستخدام مخاريط التصادم: تُقارن المسارات المتنبأ بها باستخدام طريقة مخروط التصادم، التي تحدد ما إذا كان مسار المركبة وأي مشاة في طريقهما إلى التقاطع.
• تجنب التصادم عبر الإشارات: إذا تنبأ النظام بوقوع تصادم، فإنه يفعّل إشارة صوتية (مثل بوق أو جرس) في اللحظة المثلى. ويُختار التوقيت للتأثير في سلوك المشاة ومنحهم فرصة للإسراع أو التباطؤ والوصول إلى بر الأمان.

ضمان سلامة المشاة في المدن باستخدام الرؤية الطرفية وYOLO#

وبالمثل، ينظر نهج آخر للوقاية من التصادم إلى ما هو أبعد من المركبات ويركز على البنية التحتية نفسها. فبدلًا من الاعتماد على أجهزة استشعار داخل السيارة، يستخدم هذا الأسلوب كاميرات ذكية مثبتة عند ممرات المشاة والتقاطعات لمراقبة حركة المشاة والمركبات في الوقت الفعلي. وغالبًا ما تكون هذه المواقع غير متوقعة؛ فقد يخطو الأشخاص إلى الطريق فجأة، وقد يتنقل راكبو الدراجات بين حركة المرور، وقد لا يبطئ السائقون دائمًا، ولذلك فإن اكتشاف المخاطر مبكرًا أمر حيوي.

استكشفت دراسة مثيرة للاهتمام هذه الفكرة من خلال نظام يُسمى NAVIBox، وهو جهاز للرؤية الطرفية مصمم للتنبؤ بالمخاطر بين المركبات والمشاة مباشرةً عند التقاطع. ويستخدم النظام نموذج Ultralytics YOLOv8 لاكتشاف المشاة والمركبات، ومتتبع Centroid خفيف الوزن لتتبعهم عبر الإطارات. وينشئ ذلك سجلات حركة قصيرة وموثوقة، تُحسّن لاحقًا باستخدام تحويل منظوري يحوّل منظر CCTV المائل إلى تخطيط علوي أوضح للطريق.

باستخدام هذه المسارات المحسّنة، يستطيع NAVIBox تقدير كيفية تحرك مستخدمي الطريق على الأرجح خلال الثواني القليلة التالية والتحقق مما إذا كانت مساراتهم قد تتقاطع (ويُشار إلى ذلك أيضًا باسم اختبار التقاطع). وعندما يكتشف النظام تفاعلًا ينطوي على خطر، يرسل تحذيرات فورًا عبر شاشات للسائقين ومكبرات صوت للمشاة، دون الاعتماد على خادم بعيد أو اتصال بالشبكة. وأظهرت الاختبارات في مواقع حضرية حقيقية أن NAVIBox يعمل بسرعة كافية للاستجابة الفعلية في الوقت الفعلي، ويمكنه تحديد سيناريوهات التصادم المحتملة بدقة، مما يجعله أداة سلامة عملية للتقاطعات المزدحمة في المدن.

الشكل 5. التنبؤ بخطر التصادم بين المركبات والمشاة. (المصدر)

إيجابيات وسلبيات اكتشاف التصادم والتنبؤ به#

فيما يلي بعض مزايا استخدام أنظمة التنبؤ بالتصادم المدعومة بالذكاء الاصطناعي:

• تحسين الوعي بالحالة: ترسم أنظمة الذكاء الاصطناعي باستمرار كيفية تحرك العناصر في البيئة، مما يوفر فهمًا أشمل لتدفق الحشود على نطاق واسع، أو سلوك حركة المرور، أو مسارات الآلات.

• رؤى قائمة على البيانات للتخطيط طويل الأمد: من خلال تسجيل الاكتشافات، وحالات كادت أن تؤدي إلى تصادم، وأنماط الحركة، توفر أنظمة الذكاء الاصطناعي تحليلات يمكن لمخططي المدن وفرق السلامة ومشغلي الأساطيل استخدامها لإعادة تصميم التقاطعات، أو تحسين اللافتات، أو تنقيح السياسات التشغيلية.

• الوقاية من المخاطر بفعالية من حيث التكلفة: من خلال اكتشاف المخاطر قبل تفاقمها، يمكن لهذه الأنظمة تجنب الحوادث المكلفة، أو مطالبات التأمين، أو إصلاحات المعدات.

رغم فوائدها، تواجه الأنظمة الخالية من التصادم أيضًا بعض القيود. وفيما يلي بعض التحديات التي ينبغي أخذها في الحسبان:

• قيود موضع أجهزة الاستشعار والكاميرات: يمكن للكاميرات الموضوعة أو الموجهة بشكل سيئ أن تشوّه حجم العنصر أو المسافة، مما يجعل تقدير العمق والتنبؤ بالمسار أقل موثوقية.
• الحجب: قد تُخفى العناصر جزئيًا أو كليًا خلف عناصر أخرى. ويجعل ذلك تتبع العناصر صعبًا، إذ يفقد النموذج الاستمرارية المرئية.
• الظروف البيئية: يمكن للإضاءة المنخفضة، أو أشعة الشمس القاسية، أو المطر، أو الضباب، أو انخفاض جودة الكاميرا أن تقلل قدرة النموذج على رؤية المشهد بوضوح، مما يؤثر في الدقة.

أهم النقاط المستخلصة#

يجمع التنبؤ بالتصادم بين قدرَتين قويتين: الرؤية الحاسوبية، التي تتيح للأنظمة فهم ما يحدث في البيئة في الوقت الحالي، والتنبؤ بالمسار، الذي يساعدها على استباق ما يُرجح حدوثه لاحقًا.

ومن خلال الجمع بين هاتين القدرتين، يمكن للآلات اكتشاف العناصر المتحركة في الوقت الفعلي والتنبؤ بكيفية تفاعل تلك العناصر خلال الثواني التالية. ومع استمرار تطور تقنيات الرؤية الحاسوبية والتنبؤ، يُرجح أن يصبح التنبؤ بالتصادم عنصرًا أساسيًا في بناء أنظمة ذاتية القيادة أكثر أمانًا وموثوقية وقابلية للتوسع.

اطّلع على مجتمعنا ومستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي. واستكشف تطبيقات مثل الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في التصنيع في صفحات حلولنا. وتعرّف على خيارات الترخيص لدينا وابدأ البناء اليوم!