مرشح كالمان (KF)

مرشح كالمان (KF) هو خوارزمية قوية تُستخدم لتقدير حالة نظام ديناميكي من سلسلة من القياسات غير المكتملة والمشوشة. طوره رودولف إي كالمان، وكان الغرض الأصلي منه هو الملاحة في مجال الطيران، لكنه أصبح منذ ذلك الحين أساسيًا في العديد من المجالات، بما في ذلك الروبوتات والاقتصاد، وخاصةً الرؤية الحاسوبية. يعمل الفلتر في دورة من خطوتين: فهو يتنبأ أولاً بالحالة المستقبلية للنظام وحالة عدم اليقين في هذا التنبؤ، ثم يقوم بتحديث تقديره من خلال دمج قياس جديد. تسمح له هذه العملية بإنتاج تقدير سلس ودقيق لحالة الجسم، مثل موقعه وسرعته، حتى عندما تكون بيانات المستشعر غير دقيقة.

كيفية عمل مرشحات كالمان في الذكاء الاصطناعي والرؤية الحاسوبية

في سياق الذكاء الاصطناعي، تُستخدم مرشحات كالمان بشكل بارز لتتبع الأجسام. بعد أن يقوم نموذج اكتشاف الأجسام مثل Ultralytics YOLO بتحديد الأجسام في إطار ما، يتم استخدام مرشّح كالمان للتنبؤ بمواضعها في الإطار التالي. يعتمد هذا التنبؤ على نموذج حركة، والذي يفترض عادةً سرعة ثابتة أو تسارعاً ثابتاً.

عند وصول الإطار التالي، يوفر نموذج الكشف قياسات جديدة (أي إحداثيات الصندوق المحدود الجديدة). ثم يقوم مرشح كالمان بعد ذلك بإجراء خطوة "التحديث" الخاصة به، مصححًا تنبؤاته الأولية بناءً على هذه البيانات الجديدة. هذه العملية فعالة للغاية لعدة أسباب:

• تقليل الضوضاء: يعمل على تنعيم عمليات الكشف المتذبذبة، مما ينتج عنه مسارات تتبع أكثر استقراراً.
• معالجة الانسداد: إذا فشل الكاشف في رؤية جسم ما لبضعة إطارات (على سبيل المثال، سيارة تذهب خلف شجرة)، يمكن للمرشح الاستمرار في التنبؤ بموضعه، مما يسمح للمتعقب بإعادة تحديد الجسم عند ظهوره مرة أخرى.
• تقدير الحالة: يوفر فهمًا أشمل لحالة الجسم بما يتجاوز موقعه الحالي، بما في ذلك سرعته. يمكنك معرفة المزيد عن المفاهيم الأساسية في هذه المقدمة المرئية المفصلة لمرشحات كالمان.

إن قدرة المرشح على المعالجة التكرارية للقياسات تجعله فعالاً من الناحية الحسابية ومثالياً للاستدلال في الوقت الحقيقي. تستخدم العديد من خوارزميات التتبع الشائعة، مثل SORT (التتبع البسيط عبر الإنترنت والتتبع الآني) و ByteTrack، مرشح كالمان كمكون أساسي للتنبؤ بالحركة. تستفيد نماذج التحليلات الفوقية مثل YOLO11 من أجهزة التتبع هذه في وضع التتبع الخاص بها.

التطبيقات الواقعية

تعد مرشحات كالمان جزءًا لا يتجزأ من عدد لا يحصى من الأنظمة الحديثة. وفيما يلي بعض الأمثلة على ذلك:

1. المركبات ذاتية القيادة: في المركبات ذاتية القيادة، تعتبر مرشحات كالمان ضرورية لدمج أجهزة الاستشعار. فالبيانات الواردة من أجهزة الاستشعار المختلفة مثل الكاميرات ونظام تحديد المواقع العالمي (GPS) ونظام تحديد المواقع العالمي (LiDAR) ووحدات القياس بالليزر ووحدات القياس المتكاملة (IMUs) جميعها مشوشة ولها معدلات تحديث مختلفة. يقوم المرشح بدمج هذه البيانات لإنتاج تقدير واحد ودقيق للغاية وموثوق به لموقع السيارة وسرعتها ومسار الأجسام الأخرى على الطريق. وهذا أمر بالغ الأهمية للملاحة الآمنة واتخاذ القرار في حلول الذكاء الاصطناعي في السيارات.
2. تتبع المشاة للمراقبة الذكية: غالبًا ما تستخدم أنظمة الأمن تتبع الأجسام لمراقبة الأماكن العامة. بعد أن يكتشف نموذج YOLO المشاة، يقوم المتتبع القائم على مرشح كالمان بتعيين معرّف فريد لكل شخص ويتتبعه عبر عرض الكاميرا. ويتيح ذلك تطبيقات مثل العد الآلي للأشياء والكشف عن الحالات الشاذة وإدارة طوابير الانتظار. تضمن القدرة التنبؤية للمرشح عدم فقدان مسار الشخص حتى لو تم حجبه مؤقتًا بواسطة أشخاص أو أشياء أخرى، وهي ميزة أساسية لتعزيز المراقبة الذكية.

المفاهيم والتمييزات ذات الصلة

من المهم التفريق بين مرشح كالمان والمصطلحات ذات الصلة:

• مرشح كالمان الموسع (EKF): يفترض مرشح كالمان القياسي أن ديناميكيات النظام خطية. ومع ذلك، فإن العديد من أنظمة العالم الحقيقي (مثل السيارة الدوارة) غير خطية. يوسع EKF مرشح كالمان الموسع نطاق مرشح كالمان للتعامل مع الأنظمة غير الخطية من خلال إضفاء الطابع الخطي على النموذج في كل خطوة زمنية.
• مرشح كالمان غير المنسق (UKF): بالنسبة للأنظمة غير الخطية للغاية حيث يكون التحويل الخطي لمرشح كالمان غير المنسق غير المنسق غير كافٍ، يوفر UKF بديلاً أكثر دقة دون الحاجة إلى حساب اليعاقبة، كما هو موضح في هذه المقدمة لمرشح كالمان غير المنسق.
• مرشحات الجسيمات: وهي بديل آخر للأنظمة غير الخطية وغير الجوسية، وغالباً ما تُستخدم في مجال الروبوتات لتحديد المواقع ورسم الخرائط. وعلى عكس مرشحات كالمان، فهي تمثل توزيعات احتمالية باستخدام مجموعة من العينات العشوائية (الجسيمات).

ضمن إطار عمل Ultralytics، يمكنك العثور على عامل تصفية كالمان المن فذ كأداة مساعدة لخوارزميات التتبع الخاصة بنا. توفر مكتبات مثل OpenCV أيضًا تطبيق Kalman Filter الخاص بها، والذي يُستخدم على نطاق واسع في مشاريع الرؤية الحاسوبية.