المركبات ذاتية القيادة

المركبات ذاتية القيادة (AVs)، والتي يشار إليها غالبًا باسم السيارات ذاتية القيادة، هي أنظمة نقل ذكية قادرة على استشعار بيئتها والعمل دون تدخل بشري. تمثل هذه الأنظمة قمة الذكاء الاصطناعي في ابتكارات السيارات، حيث تجمع بين الأجهزة المتطورة والخوارزميات البرمجية المتقدمة لتفسير البيئات المعقدة. الهدف الأساسي من تكنولوجيا المركبات ذاتية القيادة هو تعزيز السلامة على الطرق من خلال تقليل الحوادث الناجمة عن الأخطاء البشرية، مع تحسين كفاءة حركة المرور وتوفير التنقل لأولئك الذين لا يستطيعون القيادة. تعتمد هذه المركبات في جوهرها على الذكاء الاصطناعي (AI) لإدراك المحفزات ومعالجة المعلومات واتخاذ قرارات القيادة في أجزاء من الثانية.

تقنيات الإدراك والحواس

لكي تتمكن السيارة ذاتية القيادة من التنقل بأمان، يجب أن تمتلك فهمًا شاملاً لمحيطها. ويتم تحقيق ذلك من خلال طبقة إدراك تجمع البيانات من مجموعة من أجهزة الاستشعار.

• الرؤية الحاسوبية (CV): تعمل الكاميرات كأجهزة استشعار بصرية أساسية، تحاكي البصر البشري. تعالج الخوارزميات موجات الفيديو للتعرف على علامات حارات السير وإشارات المرور واللافتات.
• تقنية LiDAR: يستخدم نظام الكشف عن الضوء وتحديد المدى (LiDAR) نبضات الليزر لإنشاء خرائط ثلاثية الأبعاد دقيقة وعالية الدقة للبيئة ، وهو أمر ضروري لإدراك العمق.
• كشف الأجسام: تحدد نماذج التعلم العميق العوائق الديناميكية وتحدد مواقعها. وتعد النماذج عالية السرعة مثل YOLO26 ضرورية هنا لاكتشاف المشاة و المركبات الأخرى بزمن انتقال منخفض.
• دمج المستشعرات: لا يوجد مستشعر واحد مثالي في جميع الظروف (مثل الكاميرات في الضباب). تجمع خوارزميات الدمج البيانات من الكاميرات والرادار و LiDAR لتشكيل نموذج بيئي قوي.
• التقسيم الدلالي: تصنف هذه التقنية كل بكسل في الصورة، مما يساعد السيارة على التمييز بين سطح الطريق القابل للقيادة والأرصفة والنباتات.

مستويات الاستقلالية

يتم تصنيف قدرات الأنظمة المستقلة وفقًا لمستويات أتمتة القيادة SAE J3016، التي تحدد مدى التحكم الحاسوبي مقابل التدخل البشري.

• أنظمة المساعدة المتقدمة للسائق (ADAS): تغطي هذه الأنظمة المستويين 1 و 2، وتساعد في التوجيه أو التسارع (على سبيل المثال، نظام تثبيت السرعة التكيفي)، ولكنها تتطلب من السائق أن يظل متيقظًا.
• الأتمتة المشروطة: في المستوى 3، يمكن للسيارة التعامل مع معظم مهام القيادة في ظروف محددة، مثل الازدحام المروري على الطرق السريعة، ولكن يجب أن يكون الإنسان مستعدًا لتولي زمام الأمور عند تلقيه تنبيهًا.
• أتمتة عالية وكاملة: يمثل المستويان 4 و 5 المركبات التي يمكنها العمل دون تدخل بشري. يقتصر المستوى 4 على المناطق المحددة جغرافيًا، بينما يهدف المستوى 5 إلى تحقيق الاستقلالية الكاملة على أي طريق، مما يتطلب غالبًا أجهزة Edge AI قوية.

تطبيقات الذكاء الاصطناعي في العالم الحقيقي

يتم حالياً نشر تكنولوجيا المركبات ذاتية القيادة في مختلف القطاعات، بالاعتماد على حسابات التعلم الآلي (ML) المعقدة للتعامل مع تعقيدات العالم الواقعي.

1. سيارات الأجرة الآلية: تستخدم شركات مثل Waymo أساطيل من المركبات ذاتية القيادة بالكامل لنقل الركاب في البيئات الحضرية. تستخدم هذه المركبات نماذج تنبؤية لتوقع سلوك المشاة والسائقين الآخرين في المناطق الحضرية المعقدة.
2. النقل بالشاحنات ذاتية القيادة: تستفيد الخدمات اللوجستية طويلة المدى من الأتمتة على الطرق السريعة التي يمكن التنبؤ بها. تقوم شركات مبتكرة مثل Aurora بتطوير شاحنات ذاتية القيادة تستفيد من الرؤية بعيدة المدى لتحسين كفاءة استهلاك الوقود والسلامة.
3. التوصيل في المرحلة الأخيرة: تستخدم الروبوتات الصغيرة المستقلة تقنية تتبع الأجسام للتنقل على الأرصفة وتوصيل الطرود، مما يقلل من تكلفة الخدمات اللوجستية وبصمتها الكربونية.

التمييز بين المفاهيم ذات الصلة

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

• مقابل الروبوتات: في حين أن المركبات ذاتية القيادة هي روبوتات متحركة من الناحية التقنية، فإن مجال الروبوتات أوسع نطاقًا، ويشمل الأذرع الصناعية الثابتة والمساعدين البشريين. المركبات ذاتية القيادة متخصصة بشكل خاص في منطق النقل.
• مقابل السيارات المتصلة (V2X): تتواصل السيارات المتصلة مع بعضها البعض (V2V) ومع البنية التحتية (V2I) لتبادل البيانات مثل السرعة والموقع. يمكن للسيارة أن تكون متصلة دون أن تكون ذاتية القيادة، على الرغم من أن الاتصال غالبًا ما يعزز سلامة السيارات ذاتية القيادة.
• مقابل التشغيل عن بعد: يتضمن التشغيل عن بعد قيادة الإنسان لمركبة عن بعد. في المقابل، تعتمد المركبات ذاتية القيادة الحقيقية على الشبكات العصبية الموجودة على متنها لاتخاذ القرارات محليًا.

تنفيذ الإدراك البصري باستخدام YOLO26

أحد المكونات الأساسية لأي نظام مستقل هو القدرة على track بمرور الوقت. يوضح المثال التالي كيفية استخدام منصة Ultralytics متوافق ultralytics مكتبة لإجراء تتبع الكائنات في مقطع فيديو، محاكاة لنظام استشعار 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