Autonomous Vehicles

المركبات ذاتية القيادة (AVs)، والتي يُشار إليها غالباً 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 أجهزة متطورة وخوارزميات برمجية متقدمة لتفسير المحيط المعقد. الهدف الأساسي من تقنية المركبات ذاتية القيادة هو تعزيز السلامة على الطرق من خلال تقليل الحوادث الناجمة عن الخطأ البشري، مع تحسين كفاءة حركة المرور وتوفير إمكانية التنقل لأولئك غير القادرين على القيادة. في جوهرها، تعتمد هذه المركبات على الذكاء الاصطناعي (AI) لإدراك المحفزات ومعالجة المعلومات واتخاذ قرارات قيادة في أجزاء من الثانية.

Link to this sectionتقنيات 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.

• الرؤية الحاسوبية (CV): تعمل الكاميرات كمستشعرات بصرية أساسية، محاكية الرؤية البشرية. تعالج الخوارزميات تدفقات الفيديو للتعرف على علامات المسار وإشارات المرور واللافتات.
• تقنية LiDAR: تستخدم تقنية كشف الضوء وتحديد المدى (LiDAR) نبضات الليزر لإنشاء خرائط ثلاثية الأبعاد دقيقة وعالية الدقة للبيئة، وهي ضرورية لإدراك العمق.
• اكتشاف الكائنات: تحدد نماذج التعلم العميق العوائق الديناميكية وتحدد مواقعها. تُعد النماذج عالية السرعة مثل YOLO26 حاسمة هنا لاكتشاف المشاة والمركبات الأخرى بانتظار 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 والنباتات.

Link to this sectionمستويات الاستقلالية#

يتم تصنيف قدرات الأنظمة الذاتية وفقاً لـ مستويات SAE J3016 لأتمتة القيادة، والتي تحدد مدى التحكم الحاسوبي مقابل التدخل البشري.

• أنظمة مساعدة السائق المتقدمة (ADAS): تغطي المستويين 1 و2، وتساعد هذه الأنظمة في التوجيه أو التسارع (مثل مثبت السرعة التكيفي) ولكنها تتطلب من السائق البقاء منتبهاً.
• الأتمتة المشروطة: في المستوى 3، يمكن للمركبة التعامل مع معظم مهام القيادة في ظروف معينة، مثل اختناقات المرور على الطرق السريعة، ولكن يجب أن يكون الإنسان مستعداً للتدخل عند التنبيه.
• الأتمتة العالية والكاملة: يمثل المستويان 4 و5 مركبات يمكنها العمل بدون تدخل بشري. المستوى 4 يقتصر على مناطق محددة جغرافياً، بينما يهدف المستوى 5 إلى الاستقلالية الكاملة على أي طريق، وهو ما يتطلب غالباً أجهزة Edge AI قوية.

Link to this sectionتطبيقات الذكاء الاصطناعي في العالم الحقيقي#

يتم حالياً نشر تقنية المركبات ذاتية القيادة عبر قطاعات مختلفة، معتمدة على حوسبة مكثفة في التعلم الآلي (ML) للتعامل مع تعقيدات العالم الحقيقي.

1. سيارات الأجرة الروبوتية (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 المشاهد الحضرية المعقدة.

2. الشحن الذاتي: تستفيد لوجستيات النقل لمسافات طويلة من الأتمتة على طرق الطرق السريعة القابلة للتنبؤ. يطور المبتكرون مثل Aurora شاحنات ذاتية القيادة تستفيد من الإدراك بعيد المدى لتحسين كفاءة الوقود والسلامة.

3. التوصيل للميل الأخير: تستخدم روبوتات صغيرة ذاتية القيادة تتبع الكائنات للتنقل على الأرصفة وتوصيل الطرود، مما يقلل من تكلفة وبصمة الكربون للخدمات اللوجستية.

Link to this sectionالتمييز بين المفاهيم ذات الصلة#

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

• مقابل الروبوتات: بينما تعد المركبات ذاتية القيادة تقنياً روبوتات متنقلة، فإن مجال الروبوتات أوسع، حيث يشمل الأذرع الصناعية الثابتة والمساعدين البشرين. المركبات ذاتية القيادة متخصصة تحديداً في منطق 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 التشغيل عن بُعد: يتضمن التشغيل عن بُعد قيادة الإنسان للمركبة عن بُعد. في المقابل، تعتمد المركبات ذاتية القيادة الحقيقية على شبكات عصبية على متنها لاتخاذ القرارات محلياً.

Link to this sectionتنفيذ الإدراك باستخدام YOLO26#

A critical component of any autonomous system is the ability to track objects over time. The following example demonstrates how to use the Ultralytics Platform compatible ultralytics library to perform object tracking on a video, simulating a vehicle's perception system.

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