المركبات ذاتية القيادة، والمعروفة باسم السيارات ذاتية القيادة، هي مركبات مصممة هندسيًا لإدراك محيطها والتنقل دون تدخل بشري. وتمثل هذه الأنظمة تطبيقًا رئيسيًا للذكاء الاصطناعي (AI) والتعلم الآلي (ML)، بهدف أتمتة مهمة القيادة المعقدة بالكامل. يدمج تطوير المركبات ذاتية القيادة بين أجهزة الاستشعار المتقدمة والخوارزميات المتطورة ومنصات الحوسبة القوية لتمكين التشغيل الآمن والفعال، مما يعد بإحداث ثورة في مجال النقل الشخصي والخدمات اللوجستية والتخطيط الحضري. يتطلب فهم المركبات الآلية ذاتية القيادة الإلمام بالمفاهيم الأساسية في الإدراك وصنع القرار وأنظمة التحكم، وكلها تعتمد بشكل كبير على الذكاء الاصطناعي.
التقنيات الأساسية التي تقود الاستقلالية
تتوقف قدرة السيارة ذاتية القيادة على العمل بأمان على مجموعة من التقنيات المتكاملة، مدفوعة في المقام الأول بالذكاء الاصطناعي والتعلم الآلي، وخاصة التعلم العميق (DL).
- الرؤية الحاسوبية (CV): هذا أمر أساسي للمركبات ذاتية القيادة "لرؤية" العالم وتفسيره. تقوم الكاميرات بالتقاط البيانات المرئية، والتي تتم معالجتها باستخدام خوارزميات الرؤية الحاسوبية لتحديد حارات الطرق وإشارات المرور والمشاة والمركبات الأخرى والعوائق.
- اكتشاف الأجسام: مهمة رئيسية في السيرة الذاتية حيث تحدد النماذج الأجسام داخل مجال رؤية السيارة وتحدد موقعها، وغالباً ما ترسم مربعاً محدّداً حول كل عنصر تم اكتشافه. النماذج الحديثة مثل Ultralytics YOLO11 كثيراً ما تُستخدم لإمكانياتها الاستدلالية في الوقت الحقيقي، وهي ضرورية لردود الفعل السريعة. يمكنك استكشاف المقارنات بين نماذج YOLO المختلفة لفهم تطورها.
- مجموعة أجهزة الاستشعار: تستخدم المركبات ذاتية القيادة عادةً أنواعاً متعددة من أجهزة الاستشعار:
- دمج المستشعرات: تجمع الخوارزميات البيانات من مختلف أجهزة الاستشعار (الكاميرات والرادار والرادار والنظام العالمي لتحديد المواقع ووحدات القياس المتكاملة) لإنشاء فهم شامل وقوي للبيئة. وهذا يتغلب على قيود أي نوع واحد من أجهزة الاستشعار.
- تخطيط المسار: تحدد خوارزميات الذكاء الاصطناعي المسار الأكثر أماناً وفعالية والمسار الفوري بناءً على البيئة المتصورة والوجهة وقواعد المرور وديناميكيات السيارة. يتضمن ذلك عمليات معقدة لاتخاذ القرارات.
- أنظمة التحكم: ترجمة المسار المخطط إلى إجراءات فيزيائية مثل التوجيه والتسارع والكبح، وغالباً ما تستخدم مبادئ من علم الروبوتات.
مستويات أتمتة القيادة
لتوحيد الإمكانيات، تحدد SAE International ستة مستويات لأتمتة القيادة، من المستوى 0 (بدون أتمتة) إلى المستوى 5 (أتمتة كاملة، لا حاجة إلى سائق بشري تحت أي ظروف). تندرج العديد من أنظمة مساعدة السائق المتقدمة (ADAS) الحالية ضمن المستويين 1 و2. غالباً ما تستهدف الشركات التي تعمل على تطوير أنظمة القيادة الذاتية بالكامل المستوى 4 (أتمتة عالية ضمن مجالات تصميم تشغيلية محددة، مثل المناطق الحضرية المسيّجة جغرافياً) أو المستوى 5.
تطبيقات الذكاء الاصطناعي/التعلم الآلي في العالم الحقيقي في المركبات ذاتية القيادة
إن السيارات ذاتية القيادة ليست مجرد مفاهيم مستقبلية؛ بل يتم تطويرها ونشرها بشكل فعال، مما يُظهر قوة الذكاء الاصطناعي في سيناريوهات معقدة في العالم الحقيقي.
- خدمات سيارات الأجرة الآلية: تعمل شركات مثل وايمو (المملوكة لشركة ألفابت، الشركة الأم Google) وكروز (المملوكة في معظمها لجنرال موتورز) على تشغيل خدمات النقل التشاركي ذاتية القيادة بالكامل في مناطق محدودة. وتستخدم مركباتهم ذكاءً اصطناعيًا متطورًا للإدراك(الاستفادة من اكتشاف الأجسام وتجزئتها)، والتنبؤ بسلوك مستخدمي الطريق الآخرين، والملاحة في البيئات الحضرية المعقدة. تتعلم هذه الأنظمة وتتحسن باستمرار استناداً إلى البيانات التي يتم جمعها أثناء التشغيل، وهو مبدأ أساسي لعمليات التعلم الآلي (MLOps). يمكن الاطلاع على مزيد من الأفكار في المناقشات حول الذكاء الاصطناعي في السيارات ذاتية القيادة.
- اكتشاف المخاطر وتجنبها: يجب أن تحدد المركبات ذاتية القيادة مخاطر الطريق غير المتوقعة وتتفاعل معها. على سبيل المثال، يمكن تدريب نماذج الكشف عن الأجسام باستخدام منصات مثل Ultralytics HUB للكشف عن الحفر أو الحطام أو مناطق البناء. ومن الأمثلة على ذلك استخدام نماذجYOLO للكشف عن الحفر، مما يسمح للذكاء الاصطناعي في السيارة بتخطيط مسار آمن حول العائق أو تنبيه النظام. يسلط هذا التطبيق الضوء على الحاجة إلى الدقة العالية والكمون المنخفض في الكشف.
التطوير والتدريب
ينطوي تطوير المركبات ذاتية القيادة على إجراء اختبارات صارمة والتحقق من صحتها، وغالباً ما يتم ذلك باستخدام مجموعات بيانات كبيرة مثل COCO أو مجموعات بيانات القيادة المتخصصة مثل Argoverse. يتطلب تدريب نماذج التعلم العميق الأساسية موارد حاسوبية كبيرة(وحدات معالجة الرسومات ووحدات معالجة الرسومات، ووحدات معالجة الرسوميات) وأطر عمل مثل PyTorch أو TensorFlow. تلعب بيئات المحاكاة دورًا حاسمًا في اختبار الخوارزميات بأمان في ظل سيناريوهات لا حصر لها قبل النشر في العالم الحقيقي. غالبًا ما يتضمن نشر النموذج تقنيات التحسين مثل التكميم ومسرعات الأجهزة المتخصصة(أجهزة Edge AI، NVIDIA Jetson). تستفيد دورة الحياة بأكملها من ممارسات MLOps القوية للتحسين والمراقبة المستمرة.
