Autonomous Vehicles

المركبات ذاتية القيادة (AVs)، التي يُشار إليها كثيرًا باسم السيارات 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، إذ تجمع بين الأجهزة المتطورة وخوارزميات البرمجيات المتقدمة لتفسير البيئات المحيطة المعقدة. ويتمثل الهدف الأساسي لتقنية AVs في تعزيز السلامة على الطرق من خلال تقليل الحوادث الناجمة عن الخطأ البشري، مع تحسين كفاءة حركة المرور أيضًا وتوفير وسائل تنقل للأشخاص غير القادرين على القيادة. وتعتمد هذه المركبات في جوهرها على الذكاء الاصطناعي (AI) لإدراك المؤثرات ومعالجة المعلومات واتخاذ قرارات قيادة في أجزاء من الثانية.

تقنيات الإدراك والاستشعار#

لكي تتمكن مركبة ذاتية القيادة من التنقل بأمان، يجب أن تمتلك فهمًا شاملًا للبيئة المحيطة بها. ويتحقق ذلك من خلال طبقة إدراك تجمع البيانات من مجموعة من المستشعرات.

• الرؤية الحاسوبية (CV): تعمل الكاميرات بوصفها المستشعرات البصرية الأساسية، إذ تحاكي حاسة البصر البشرية. وتعالج الخوارزميات تدفقات الفيديو للتعرف على علامات المسارات وإشارات المرور واللوحات.
• تقنية LiDAR: تستخدم تقنية قياس الضوء وتحديد المدى (LiDAR) نبضات الليزر لإنشاء خرائط ثلاثية الأبعاد دقيقة وعالية الدقة للبيئة المحيطة، وهو أمر ضروري لإدراك العمق.
• اكتشاف الأجسام: تحدد نماذج التعلم العميق العوائق المتحركة وتحدد مواقعها. وتُعد النماذج عالية السرعة مثل YOLO26 بالغة الأهمية هنا لاكتشاف المشاة والمركبات الأخرى بزمن استجابة منخفض.
• دمج المستشعرات: لا يوجد مستشعر واحد مثالي في جميع الظروف (مثل أداء الكاميرات في الضباب). وتجمع خوارزميات الدمج البيانات الواردة من الكاميرات والرادار وLiDAR لتكوين نموذج متين للبيئة.
• التقسيم الدلالي: تصنف هذه التقنية كل بكسل في الصورة، مما يساعد المركبة على التمييز بين سطح الطريق القابل للقيادة والأرصفة والنباتات.

مستويات الاستقلالية#

تُصنَّف قدرات الأنظمة ذاتية القيادة وفقًا لـمستويات أتمتة القيادة SAE J3016، التي تحدد مدى التحكم الحاسوبي مقارنة بالتدخل البشري.

• أنظمة مساعدة السائق المتقدمة (ADAS): تغطي المستويين 1 و2، وتساعد هذه الأنظمة في التوجيه أو التسارع (مثل نظام تثبيت السرعة التكيفي)، لكنها تتطلب بقاء السائق منتبهًا.
• الأتمتة المشروطة: في المستوى 3، يمكن للمركبة تنفيذ معظم مهام القيادة في ظروف محددة، مثل الاختناقات المرورية على الطرق السريعة، لكن يجب أن يكون الإنسان مستعدًا لتولي القيادة عند تنبيهه.
• الأتمتة العالية والكاملة: يمثل المستويان 4 و5 مركبات قادرة على العمل دون تدخل بشري. ويقتصر المستوى 4 على مناطق محددة جغرافيًا، بينما يهدف المستوى 5 إلى تحقيق استقلالية كاملة على أي طريق، وغالبًا ما يتطلب أجهزة الذكاء الاصطناعي الطرفي قوية.

تطبيقات الذكاء الاصطناعي في العالم الحقيقي#

يجري حاليًا نشر تقنيات المركبات ذاتية القيادة في قطاعات متنوعة، مع الاعتماد على عمليات حسابية مكثفة لـالتعلم الآلي (ML) للتعامل مع تعقيدات العالم الحقيقي.

1. سيارات الأجرة الآلية: تستخدم شركات مثل Waymo أساطيل من المركبات ذاتية القيادة بالكامل لنقل الركاب في البيئات الحضرية. وتستخدم هذه المركبات النمذجة التنبؤية لتوقع سلوك المشاة والسائقين الآخرين في المشاهد الحضرية المعقدة.

2. النقل بالشاحنات ذاتية القيادة: تستفيد الخدمات اللوجستية لمسافات طويلة من الأتمتة على مسارات الطرق السريعة القابلة للتنبؤ. ويطور مبتكرون مثل Aurora شاحنات ذاتية القيادة تستفيد من الإدراك بعيد المدى لتحسين كفاءة استهلاك الوقود والسلامة.

3. التوصيل في المرحلة الأخيرة: تستخدم روبوتات صغيرة ذاتية القيادة تتبع الأجسام للتنقل على الأرصفة وتسليم الطرود، مما يقلل 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: رغم أن المركبات ذاتية القيادة تُعد روبوتات متنقلة من الناحية التقنية، فإن مجال الروبوتات أوسع نطاقًا، إذ يشمل الأذرع الصناعية الثابتة والمساعدين ذوي الهيئة البشرية. وتختص المركبات ذاتية القيادة تحديدًا بمنطق النقل.
• مقابل المركبات المتصلة (V2X): تتواصل المركبات المتصلة مع بعضها (V2V) ومع البنية التحتية (V2I) لمشاركة بيانات مثل السرعة والموقع. ويمكن أن تكون المركبة متصلة دون أن تكون ذاتية القيادة، رغم أن الاتصال غالبًا ما يعزز سلامة المركبات ذاتية القيادة.
• مقابل التشغيل عن بُعد: يتضمن التشغيل عن بُعد قيادة إنسان للمركبة عن بُعد. وعلى النقيض من ذلك، تعتمد المركبات ذاتية القيادة الحقيقية على الشبكات العصبية لاتخاذ القرارات محليًا.

تنفيذ الإدراك باستخدام Ultralytics YOLO26#

تتمثل إحدى المكونات الأساسية لأي نظام ذاتي القيادة في القدرة على تتبع الأجسام بمرور الوقت. يوضح المثال التالي كيفية استخدام مكتبة ultralytics المتوافقة مع منصة Ultralytics لإجراء تتبع للأجسام في مقطع فيديو، بما يحاكي نظام إدراك في مركبة.

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