Autonomous Vehicles

المركبات ذاتية القيادة (AVs)، والتي غالباً ما يُشار إليها بالسيارات ذاتية القيادة، هي أنظمة نقل ذكية قادرة على استشعار بيئتها والعمل دون تدخل بشري. تمثل هذه الأنظمة ذروة الابتكار في الذكاء الاصطناعي في قطاع السيارات، حيث تجمع بين الأجهزة المتطورة وخوارزميات البرمجيات المتقدمة لتفسير المحيط المعقد. الهدف الأساسي لتكنولوجيا المركبات ذاتية القيادة هو تعزيز سلامة الطرق من خلال تقليل الحوادث الناجمة عن الخطأ البشري، مع تحسين كفاءة حركة المرور وتوفير التنقل لمن لا يستطيعون القيادة. في جوهرها، تعتمد هذه المركبات على الذكاء الاصطناعي (AI) لإدراك المثيرات، ومعالجة المعلومات، واتخاذ قرارات قيادة في جزء من الثانية.

تقنيات الإدراك والاستشعار#

لكي تتمكن المركبة ذاتية القيادة من التنقل بأمان، يجب أن تمتلك فهماً شاملاً لما يحيط بها. يتم تحقيق ذلك من خلال طبقة إدراكية تقوم بتجميع البيانات من مجموعة من المستشعرات.

• رؤية الكمبيوتر (CV): تعمل الكاميرات كأجهزة استشعار بصرية أساسية، محاكاةً البصر البشري. تعالج الخوارزميات تدفقات الفيديو التعرف على علامات المسار، وإشارات المرور، واللوحات الإرشادية.
• تكنولوجيا الليدار (LiDAR): يستخدم اكتشاف الضوء والمدى (LiDAR) نبضات الليزر لإنشاء خرائط ثلاثية الأبعاد دقيقة وعالية الدقة للبيئة، وهي ضرورية لإدراك العمق.
• اكتشاف الكائنات: تحدد نماذج التعلم العميق العقبات الديناميكية وتحدد موقعها. تعتبر النماذج عالية السرعة مثل YOLO26 بالغة الأهمية هنا لاكتشاف المشاة والمركبات الأخرى بزمن انتقال منخفض.
• دمج المستشعرات: لا يوجد مستشعر واحد مثالي في جميع الظروف (على سبيل المثال، الكاميرات في الضباب). تقوم خوارزميات الدمج بجمع البيانات من الكاميرات والرادار وLiDAR لتشكيل نموذج بيئي قوي.
• التجزئة الدلالية: تصنف هذه التقنية كل بكسل في الصورة، مما يساعد المركبة على التمييز بين سطح الطريق القابل للقيادة، والأرصفة، والغطاء النباتي.

مستويات الاستقلالية#

يتم تصنيف قدرات الأنظمة المستقلة وفقاً لـ مستويات الأتمتة في القيادة SAE J3016، والتي تحدد مدى تحكم الكمبيوتر مقارنة بالتدخل البشري.

• أنظمة مساعدة السائق المتقدمة (ADAS): تغطي هذه الأنظمة المستويين 1 و 2، وتساعد في التوجيه أو التسارع (مثل نظام تثبيت السرعة التكيفي) ولكنها تتطلب من السائق أن يظل منتبهاً.
• الأتمتة المشروطة: في المستوى 3، يمكن للمركبة التعامل مع معظم مهام القيادة في ظروف محددة، مثل الاختناقات المرورية على الطرق السريعة، ولكن يجب أن يكون الإنسان مستعداً لتولي زمام الأمور عند تنبيهه.
• الأتمتة العالية والكاملة: يمثل المستويان 4 و 5 مركبات يمكنها العمل دون إدخال بشري. يقتصر المستوى 4 على المناطق ذات السياج الجغرافي، بينما يستهدف المستوى 5 الاستقلالية الكاملة على أي طريق، وغالباً ما يتطلب أجهزة Edge AI قوية.

تطبيقات الذكاء الاصطناعي في العالم الحقيقي#

يتم نشر تكنولوجيا المركبات ذاتية القيادة حالياً عبر قطاعات مختلفة، مع الاعتماد على حسابات التعلم الآلي (ML) الكثيفة للتعامل مع تعقيدات العالم الحقيقي.

1. سيارات الأجرة ذاتية القيادة (Robotaxis): تستخدم شركات مثل Waymo أساطيل من المركبات ذاتية القيادة بالكامل لنقل الركاب في البيئات الحضرية. تستخدم هذه المركبات النمذجة التنبؤية لتوقع سلوك المشاة والسائقين الآخرين في مناظر المدن المعقدة.

2. الشحن الذاتي: تستفيد الخدمات اللوجستية للمسافات الطويلة من الأتمتة على طرق الطرق السريعة التي يمكن التنبؤ بها. يقوم المبتكرون مثل Aurora بتطوير شاحنات ذاتية القيادة تستفيد من الإدراك بعيد المدى لتحسين كفاءة استهلاك الوقود والسلامة.

3. التسليم في الميل الأخير: تستخدم الروبوتات الصغيرة ذاتية القيادة تتبع الكائنات للتنقل في الأرصفة وتوصيل الطرود، مما يقلل من التكلفة والبصمة الكربونية للخدمات اللوجستية.

التمييز بين المفاهيم ذات الصلة#

من المهم التمييز بين المركبات ذاتية القيادة والمصطلحات ذات الصلة في مجالات الروبوتات والسيارات.

• مقابل الروبوتات: في حين أن المركبات ذاتية القيادة هي تقنياً روبوتات متنقلة، فإن مجال الروبوتات أوسع، ويشمل الأذرع الصناعية الثابتة والمساعدين البشرين. المركبات ذاتية القيادة مخصصة خصيصاً لمنطق النقل.
• مقابل المركبات المتصلة (V2X): تتواصل المركبات المتصلة مع بعضها البعض (V2V) ومع البنية التحتية (V2I) لمشاركة بيانات مثل السرعة والموقع. يمكن للمركبة أن تكون متصلة دون أن تكون ذاتية القيادة، على الرغم من أن الاتصال غالباً ما يعزز سلامة المركبات ذاتية القيادة.
• مقابل التحكم عن بعد: يتضمن التشغيل عن بعد قيادة الإنسان للمركبة عن بُعد. في المقابل، تعتمد المركبات ذاتية القيادة الحقيقية على شبكات عصبية مدمجة لاتخاذ القرارات محلياً.

تنفيذ الإدراک باستخدام Ultralytics YOLO26#

المكون الحاسم لأي نظام مستقل هو القدرة على تتبع الكائنات ب مرور الوقت. يوضح المثال التالي كيفية استخدام مكتبة ultralytics المتوافقة مع منصة Ultralytics لإجراء تتبع الكائنات على مقطع فيديو، محاكاةً لنظام إدراك المركبة.

from ultralytics import YOLO

# Load the YOLO26 model, optimized for speed and accuracy
model = YOLO("yolo26n.pt")

# Track vehicles and pedestrians in a video stream
# This simulates the continuous perception required by an AV
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    show=True,
)

# Process results (e.g., counting objects or estimating speed)
for r in results:
    print(r.boxes.xywh)  # Print bounding box coordinates