اكتشف كيف تعمل مرشحات كالمان على تحسين تقدير الحالة في الذكاء الاصطناعي، والتتبع، ودمج المستشعرات، والروبوتات، والمزيد، حتى مع وجود بيانات مشوشة.
مرشح كالمان (KF) هو خوارزمية رياضية تكرارية قوية تستخدم لتقدير حالة نظام ديناميكي بمرور الوقت. طورها رودولف إي. كالمان في عام 1960، وهي تعمل عن طريق دمج سلسلة من القياسات المشوشة أو غير الكاملة أو غير الدقيقة لإنتاج تقدير أكثر دقة من الناحية الإحصائية من أي قياس منفرد بمفرده. في سياق التعلم الآلي (ML) والذكاء الاصطناعي (AI)، يعتبر مرشح كالمان أساسيًا للمهام التي تتطلب التنبؤ بالتسوية، مثل تتبع الكائنات في تدفقات الفيديو، حيث يساعد في توقع الموقع المستقبلي للكائن بناءً على مساره السابق.
تكمن القوة الأساسية لمرشح كالمان في دورته المكونة من خطوتين: التنبؤ والتصحيح . فهو لا يقتصر على النظر إلى نقطة البيانات الحالية فحسب، بل يأخذ في الاعتبار تاريخ النظام للتوصل إلى تخمين مدروس حول الحالة الحالية.
يتكرر هذا الدورة باستمرار، مما يسمح للمرشح بتحسين تقديراته والتكيف مع التغييرات في الوقت الفعلي.
بينما نشأ مرشح كالمان في نظرية التحكم والفضاء (واستخدم بشكل مشهور في كمبيوتر الملاحة أبولو)، فهو الآن عنصر أساسي في خطوط أنابيب الرؤية الحاسوبية الحديثة (CV).
من المفيد التمييز بين مرشح كالمان القياسي وتغيراته والتقنيات ذات الصلة:
في ultralytics النظام البيئي، يتم دمج مرشحات كالمان مباشرة في وحدات التتبع. يمكنك
الاستفادة من هذه الإمكانية بسهولة باستخدام track وضع مع YOLO . يستخدم المتتبع الأساسي
تلقائيًا تصفية كالمان لتسهيل مسارات الأجسام المكتشفة.
فيما يلي كيفية بدء التتبع باستخدام YOLO26، الذي يستخدم ضمنيًا تقنيات التقدير هذه:
from ultralytics import YOLO
# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")
# Perform tracking on a video file
# The tracker (e.g., BoT-SORT) uses a Kalman Filter internally
results = model.track(source="https://ultralytics.com/images/bus.jpg", tracker="botsort.yaml")
# Print the ID of the tracked objects
for r in results:
if r.boxes.id is not None:
print(f"Track IDs: {r.boxes.id.numpy()}")
في الاستخدامات الواقعية، نادراً ما تكون بيانات المستشعرات مثالية. فالكاميرات تعاني من ضبابية الحركة، وتشويش إشارات GPS، ويمكن أن يكون الرادار مصدر ضوضاء. يعمل مرشح كالمان كآلية تنقية بيانات حاسمة داخل حلقة اتخاذ القرار. من خلال تحسين التقديرات باستمرار، يضمن أن تعمل وكلاء الذكاء الاصطناعي وأنظمة التحليل على أساس الواقع الأكثر احتمالاً بدلاً من المدخلات الأولية المضطربة. هذه الموثوقية ضرورية للتطبيقات الحيوية للسلامة، من مراقبة عمليات المطارات إلى تمكين التصنيع الآلي الدقيق .
.webp)
