مرشح كالمان (KF)

مرشح كالمان (KF) هو خوارزمية قوية تستخدم لتقدير حالة نظام ديناميكي من سلسلة من القياسات غير الكاملة والضوضاء. تم تطويره بواسطة رودولف إي. كالم، وكان الغرض الأصلي منه هو الملاحة في مجال الطيران، ولكنه أصبح منذ ذلك الحين أساسيًا في العديد من المجالات، بما في ذلك الروبوتات والاقتصاد، وخاصة رؤية الكمبيوتر (CV). يعمل المرشح في دورة من خطوتين: فهو أولاً يتنبأ بالحالة المستقبلية للنظام وعدم اليقين في هذا التنبؤ، ثم يقوم بتحديث تقديره من خلال دمج قياس جديد. تتيح له هذه العملية إنتاج تقدير سلس ودقيق لحالة الكائن، مثل موقعه وسرعته، حتى عندما تكون بيانات المستشعر غير دقيقة.

كيف تعمل مرشحات كالمان في الذكاء الاصطناعي والرؤية الحاسوبية

في سياق الذكاء الاصطناعي، تُستخدم مرشحات Kalman في الغالب في تتبع الكائنات. بعد أن يحدد نموذج اكتشاف الكائنات مثل Ultralytics YOLO الكائنات في إطار، يتم استخدام مرشح Kalman للتنبؤ بمواقعها في الإطار التالي. يعتمد هذا التنبؤ على نموذج الحركة، الذي يفترض عادةً سرعة ثابتة أو تسارعًا ثابتًا.

عندما تصل الإطار التالي، يوفر نموذج الكشف قياسات جديدة (أي إحداثيات المربع المحيط الجديدة). ثم يقوم مرشح Kalman بتنفيذ خطوة "التحديث" الخاصة به، وتصحيح توقعه الأولي بناءً على هذه البيانات الجديدة. هذه العملية فعالة للغاية لعدة أسباب:

• تقليل الضوضاء: يعمل على تسهيل الاكتشافات المتقطعة، مما يؤدي إلى مسارات تتبع أكثر استقرارًا.
• التعامل مع الانسداد: إذا فشل الكاشف في رؤية كائن لبضعة إطارات (على سبيل المثال، سيارة تسير خلف شجرة)، فيمكن للمرشح الاستمرار في توقع موضعه، مما يسمح للمتتبع بإعادة تحديد الكائن عند ظهوره مرة أخرى.
• تقدير الحالة: يوفر فهمًا أكثر شمولاً لحالة الكائن يتجاوز موقعه الحالي، بما في ذلك سرعته. يمكنك معرفة المزيد حول المفاهيم الأساسية في هذا المقدمة المرئية التفصيلية لفلاتر Kalman.

إن قدرة المرشح على معالجة القياسات بشكل متكرر تجعله فعالًا من الناحية الحسابية ومثاليًا لـ الاستدلال في الوقت الفعلي. تستخدم العديد من خوارزميات التتبع الشائعة، مثل SORT (التتبع البسيط عبر الإنترنت وفي الوقت الفعلي) و ByteTrack، مرشح كالمان كمكون أساسي للتنبؤ بالحركة. تستفيد نماذج Ultralytics مثل YOLO11 من أدوات التتبع هذه في وضع التتبع الخاص بها.

تطبيقات واقعية

تعتبر مرشحات Kalman جزءًا لا يتجزأ من عدد لا يحصى من الأنظمة الحديثة. فيما يلي بعض الأمثلة:

1. المركبات ذاتية القيادة: في المركبات ذاتية القيادة، تعتبر مرشحات كالمان ضرورية لـ دمج المستشعرات. البيانات من المستشعرات المختلفة مثل الكاميرات ونظام تحديد المواقع العالمي (GPS) والليدار (LiDAR) ووحدات القياس بالقصور الذاتي (IMUs) تكون جميعها مشوشة ولها معدلات تحديث مختلفة. يجمع المرشح هذه البيانات لإنتاج تقدير واحد عالي الدقة وموثوق به لموقع السيارة وسرعتها ومسار الأجسام الأخرى على الطريق. هذا أمر بالغ الأهمية للملاحة الآمنة واتخاذ القرارات في حلول الذكاء الاصطناعي في السيارات.
2. تتبع المشاة للمراقبة الذكية: غالبًا ما تستخدم الأنظمة الأمنية تتبع الأجسام لمراقبة الأماكن العامة. بعد أن يكتشف نموذج YOLO المشاة، يقوم نظام التتبع المستند إلى مرشح كالمان بتعيين مُعرّف فريد لكل شخص وتتبعه عبر رؤية الكاميرا. يتيح ذلك تطبيقات مثل العد التلقائي للأجسام، واكتشاف الحالات الشاذة، و إدارة الطوابير. تضمن قدرة المرشح التنبؤية عدم فقد مسار الشخص حتى لو كان محجوبًا مؤقتًا بأشخاص أو أجسام أخرى، وهي ميزة رئيسية لـ تحسين المراقبة الذكية.

المفاهيم ذات الصلة والفروق

من المهم التمييز بين مرشح كالمان والمصطلحات ذات الصلة:

• مرشح كالمان الموسع (Extended Kalman Filter (EKF)): يفترض مرشح كالمان القياسي أن ديناميكيات النظام خطية. ومع ذلك، فإن العديد من الأنظمة الواقعية (مثل سيارة منعطفة) غير خطية. يوسع EKF مرشح كالمان للتعامل مع الأنظمة غير الخطية عن طريق تسييل النموذج في كل خطوة زمنية.
• مرشح كالمان غير المعطر (UKF): للأنظمة غير الخطية للغاية حيث يكون تبسيط مرشح كالمان الموسع (EKF) غير كافٍ، يوفر مرشح كالمان غير المعطر (UKF) بديلاً أكثر دقة دون الحاجة إلى حساب المصفوفات اليعقوبية، كما هو موضح في هذه المقدمة لمرشح كالمان غير المعطر.
• مرشحات الجسيمات: هذه بديل آخر للأنظمة غير الخطية وغير الغاوسية وغالبًا ما تستخدم في الروبوتات لتحديد الموقع ورسم الخرائط. على عكس مرشحات Kalman، فإنها تمثل توزيعات الاحتمالات باستخدام مجموعة من العينات العشوائية (الجسيمات).

ضمن إطار Ultralytics، يمكنك العثور على مرشح Kalman مُنفَّذًا كأداة مساعدة لخوارزميات التتبع الخاصة بنا. توفر مكتبات مثل OpenCV أيضًا تطبيق Kalman Filter الخاص بها، والذي يستخدم على نطاق واسع في مشاريع الرؤية الحاسوبية.