Table of Contents
فالمركبات المستقلة، التي كثيرا ما تسمى السيارات ذاتية القيادة، تمثل أحد أعمق التحولات التكنولوجية في تاريخ النقل، وفي قلب كل نظام مستقل، توجد مجموعة متطورة من الخوارزميات التي تقوم بعملية استشعار البيانات وتفسر بيئة المركبة وتتخذ قرارات القيادة في الوقت الحقيقي، وهذه الخوارزميات الآلية ليست قطعة واحدة من الشفرة وإنما هي هيكل أساسي للتصورات، والتحليل، والتخطيط، والمراقبة.
The Sensor Suite: How Autonomous Vehicles Perceive the World
وقبل أن يتخذ أي خوارزمي قراراً، يجب أن تقوم المركبة أولاً ببناء تمثيل دقيق لضواحيها، ويتم ذلك من خلال مجموعة من أجهزة الاستشعار التي تجمع البيانات البصرية والمكانية والحركية بصورة جماعية، ولا يوجد جهاز استشعار واحد كاف، ولكل منها مواطن القوة والضعف، وبالتالي فإن البيانات التي تجمع بين أجهزة الاستشعار من مصادر متعددة تشكل الأساس الذي يرتكز عليه التصور الموثوق به.
كاميرات، ليدار، رادار، وأجهزة الاستشعار فوق الصوتية
Cameras] provide rich semantic information, such as the color of traffic lights, the shape of road signs, and the type of object (pedestrian, cyclist, vehicle) they operate at high frame rates and are relatively inexpensive, but their performance degrades in low light, fog, or manlare. [Far T
ارتجاج في الحس: ضم القوام
وقد تُستشف من هذه المصادر المتباينة بيانات الخوارزمية الآلية لإنشاء نموذج عالمي موحد، مثلا، يمكن للكاميرا أن تكتشف علامة توقف، بينما تؤكد الليدار مسافتها وتوجهها الدقيقين، وقد تقيس الرادار بشكل مستقل سرعة إغلاق الجسم، وتعوض الخوارزميات المنبعثة من الشعائر، التي غالبا ما تستند إلى مرشحات كالمان أو إلى بيزيان في حالة الفشل، وتثقل كل جهاز استشعار وتنتج عملية واحدة،
تحديد المواقع ورسم الخرائط: معرفة بالضبط أين أنت
ولا تشكل الأجسام المتصوره سوى نصف التحدي؛ ويجب أن تحدد المركبة موقعها في إطار تنسيق عالمي يتسم بدقة على مستوى المقاس المركزي، فالنظام العالمي لتحديد المواقع وحده متماسك جدا بالنسبة للسيارات الآمنة (الدقيقة إلى عدة أمتار) بحيث تعتمد النظم المستقلة على مجموعة من التقنيات.
GPS and Inertial Measurement Units
ويمكن أن يحقق جهاز استقبال عالي الدقة في النظام العالمي لتحديد المواقع، يستكمل بتصويبات مختلفة (مثل نظام RTK GPS) الدقة في غضون بضع سنتيمترات تحت السماء المفتوحة، غير أن إشارات النظام العالمي لتحديد المواقع غير موثوقة في الأنفاق أو الكانتونات الحضرية أو تحت ضغط الكثافة.
SLAM and High-Definition Maps
Simultaneous Localization and Mapping (SLAM) algorithms enable the vehicle to build a map of its environment while concur tracking its location within that map. SLAM uses lidar or camera features to create relative landmarks, solving a probabilistic optimization problem. In production autonomous systems, SLAM is often complement by prebuT
تخطيط المسار: من التصور إلى العمل
وعندما تعرف المركبة بيئتها وشكلها، يجب عليها أن تقرر ما يجب القيام به، ويُنظم تخطيط المسار إلى مستويات زمنية ومكانية متعددة: تخطيط البعثات، وتخطيط السلوك، والتخطيط للتحرك.
تخطيط البعثات (اختيار طرق)
وعلى أعلى المستويات، يحدد الخوارزمية المسار العام من النقطة ألف إلى النقطة باء، بالنظر إلى شبكات الطرق، وظروف المرور، وأفضليات المستعملين، وهذا مماثل لنظام الملاحة التقليدي للنظام العالمي لتحديد المواقع، ولكنه قد يتضمن عوامل دينامية مثل إغلاق الطرق أو اكتظاظ حركة المرور المتوقع باستخدام بيانات آنية.
التخطيط السلوكي (صنع القرار)
ويعالج التخطيط السلوكي القرارات التكتيكية: متى يغيّر الممرات، سواء كان ذلك عائداً إلى مشاة، أو كيفية نقل تقاطع، أو كيفية التعامل مع رخوة، وكثيراً ما تُصاغ هذه القرارات على أنها آلة حكومية محدودة، أو، على نحو متزايد، باستخدام ]]] التعلم القوي لتعزيز القدرات .
تخطيط الحركة (الجيل الحقيقي)
ومع اتخاذ قرار بشأن سلوك رفيع المستوى، يولد مخطط الحركة مسارا سلسا خاليا من الاصطدام في غضون ثوان قليلة قادمة، ويشمل ذلك حل مشكلة محدودة تتعلق بالتفاؤل: يجب أن يحترم المسار ديناميات المركبات (مثلا، الحد الأقصى من الزوايا، والحدود التسارعية)، وأن يبقى داخل حدود الممر، وأن يتجنب جميع العقبات التي تم اكتشافها.
نظم الرقابة: تنفيذ الخطة
ويجب ترجمة المسار المخطط له إلى أوامر محددة للاختبار: التقلب، والكابح، والزوايا التوجيهية، ويتخذ خوارزمية التحكم المسار المنشود (النقل، والسرعة، والتوجه) ويحسب المدخلات اللازمة لمحاضري السيارات. [يعوض] أجهزة التحكم في الترددات الأمامية
دور التعلم في مجال الآلات والاستخبارات الفنية
ويعتمد الخوارزميات الآلية الحديثة اعتمادا كبيرا على التعلم الآلاتي، ولا سيما التعلم العميق، من أجل التصورات والاعتراف بالنمط المنخفض، وقد تم تخطيط نهج الرؤية التقليدية للحواسيب إلى حد كبير بواسطة شبكات عصبية يمكنها اكتشاف وتصنيف الأشياء من نهاية إلى نهاية.
التعلم العميق للتصور
Convolutional neural networks (CNNs) process images to identify pedestrians, lane markings, traffic signs, and other vehicles with high accuracy. YOLO (You only once) and FLTster R-CNN[Fox:3])
تعزيز التعلم من أجل صنع القرار
Reinforcement learning (RL) has shown promise for behavioral planning, especially in simulation. An RL agent learns a policy that maps the current state (positions, velocities, distances) to an action (lane change, acceleration) by maximizing a reward signal that encourages progress while penalizing collisions, hardkes, or rule violations. Companies like [FLT:]
الشبكات العصبية للحفر من نهاية إلى نهاية
وتستكشف بعض البحوث التعليم من نهاية إلى نهاية ]، حيث تقوم شبكة عصبية واحدة بخرائط أجهزة الاستشعار الخام التي تم التحقق منها مباشرة لتوجيه القيادة والقيادات العتيقة، وتتجاوز نماذج التصور والتخطيط الواضحة، وفي حين أن هذا النهج قد أظهر نجاحا في البيئات الخاضعة للرقابة (مثل نظام الأشعة الرقمية DAVE-2)، فإنه لا يزال من الصعب تفسير نظم الإنتاج المثبتة.
السلامة والإعادة إلى الوطن: مؤسسة البناء في الحكم الذاتي
ويجب أن تعمل الخوارزميات الآلية بموثوقية قصوى، لأن الفشل يمكن أن يؤدي إلى وقوع حوادث، فالسلامة مصممة من خلال التكرار، وكشف الأخطاء، والاختبار الدقيق.
النظم غير التشغيلية
وعلى عكس سائق بشري يمكنه أن يتولى على الفور إذا فشل نظام إلكتروني، يجب على مركبة مستقلة أن تعالج إخفاقات المعدات أو البرامجيات بشكل جيد، كما أن النظم الفرعية لسلامة حرجة (التدريب، والتفافي، والحساب) كثيرا ما تكون مكررة أو ثلاثية، أما النظام البرمجيات المركبة ( " FLT:0 " ) فيمكن أن يوقف التشغيل ، في حين لا يعترض النظام على ذلك.
التقييم والاختبار
The Validation involves billions of miles of simulation and millions of real-world miles. Scenario-based testing) creates thousands of specific situations (e.g., a child running into the street, a sudden lane closure) and verifyifies that the algorithm responds correctly. Adversari traffic testing tools probet for edge objectgu
التحديات والحدود
ورغم التقدم السريع، تواجه الخوارزميات الآلية تحديات أساسية تحول دون الاستقلال الذاتي الكامل من المستوى الخامس (لا تدخل بشري في أي حالة).
الطقس المعاكس
فالهطول الشديد، والثلوج، والضباب، والغبار يقلل من أداء أجهزة الاستشعار، ويمكن أن تنعكس الدار أو تستوعبها بالتهطال، وتفقد الكاميرات التناقض، وقد يعيد الرادار تأكيدات كاذبة من الحطام، وكثيرا ما تفشل نماذج التعلم الماكنة التي يتم تدريبها أساسا على بيانات الطقس الواضح في هذه الظروف، كما أن جمع البيانات المسمومة لجميع السيناريوهات الجوية مكلف.
حالات الحضيض ومشاكل طويلة الأمد
فالعالم الحقيقي متغير للغاية، فالأجسام غير المستخدمة (الحصنة على الطريق السريع، والحصان على الطريق)، والسلوك غير العادي (عامل بناء يلوح بالحركة)، أو أنماط حركة المرور النادرة كلها تشكل كل الخوارزميات التي تشكل تحدياً، والسبب الرئيسي وراء استمرار القيادة المستقلة في مشكلة بحث مفتوحة، وتستخدم الشركات ] " حواف البحث في مجال السلامة " .
أمن الفضاء الإلكتروني
ونظرا لأن الخوارزميات الآلية تعتمد على تحديثات البرامجيات المستمرة وعلى الربط الشبكي، فإنها عرضة للهجمات الإلكترونية، وقد يكون المهاجم قادرا على كشف بيانات الاستشعار عن بذورها (مثلا، إسقاط أجسام مزورة تستخدم لطخة الليدار) أو حقن الأوامر الخبيثة في شبكة المركبات، ومن المهم للغاية توفير الحماية من هذه التهديدات.
الأطر الأخلاقية والقانونية
ونظراً إلى أن الخوارزميات تسيطر على المركبات، يجب على المجتمع أن يواجه معضلات أخلاقية وأن يضع المساءلة القانونية.
مشكلة الترولي والعقيدات المورية
وفي سيناريوهات التحطم التي لا يمكن تجنبها، يجب أن تختار مركبة مستقلة بين القاطنين أو المشاة الذين يلحقون الضرر، أو بين تحطيم أشياء مختلفة، ويناقش الفلاسفة والمهندسون كيفية تدوين هذه القرارات - هل يمكن أن تؤدي الخوارزمية إلى تقليل الضرر العام، أو حماية الشاغلين على جميع التكاليف، أو متابعة مجموعة من القواعد المحددة مسبقاً؟ ومن المؤسف أنه لا يوجد توافق آراء أخلاقي شامل " .
المسؤولية والتنظيم
وعندما تتسبب مركبة مستقلة في حادث، تكون غلطتها؟ إن الصانع، ومطور البرمجيات، أو مشغل الأسطول، أو المالك؟ إن السوابق القانونية المبكرة تشير إلى أن مبادئ مسؤولية المنتج تنطبق، ولكن العديد من الولايات القضائية تضع قوانين محددة للمركبات الآلية، فعلى سبيل المثال، فإن ألمانيا StVG (قانون المرور الدائر) تتطلب مركبات من المستوى 4 أن تكون لها " صناديق مشرفة على تكنولوجيا " .
مستقبل الألغوريتوماتيكي
وتشير البحوث والتطوير الجارية إلى عدة اتجاهات رئيسية ستشكل الجيل القادم من النظم المستقلة.
نماذج التعلم والمؤسسة من نهاية إلى نهاية
وقد تحل الشبكات العصبية الكبيرة التي تم تدريبها على مجموعات بيانات هائلة )بما في ذلك نماذج لغة الرؤية( في نهاية المطاف محل العديد من الوحدات المصممة يدويا، فعلى سبيل المثال، يمكن لنموذج واحد أن يقبل صور الكاميرات والقيادات التوجيهية للإنتاج، مع الإجابة أيضا على الأسئلة المتعلقة بالموقع، كما أن نهج " شبكة الحيازة " الذي يتوقّع تدفق الشغل في حيز ال ٣ دال مباشرة من مدخلات الكاميرا، هو خطوة في هذا الاتجاه.
مركبة إلى كل مركبة (V2X)
(ب) أن تكون الخوارزميات الآلية أكثر أماناً عندما يمكن للمركبات الاتصال ببعضها البعض (V2V) وببنية أساسية (V2I). ويمكن للخامسة V2X أن تقدم معلومات عن أضواء المرور التي تتجاوز خط البصر، وأن تحذر من المخاطر المقبلة، وأن تنسق المناورات اللوتونية وحدها. [FLT:]5G و
نحو المستوى 5
فالنظام الحالي يعمل على أفضل وجه في المناطق التي تسودها الأرض (مثلاً، وايمو في أجزاء من فينيكس) أو تحت ظروف مواتية، غير أن سرعة تحسين الأسطول الجيري، إلى جانب أجهزة الاستشعار الأرخص والأقوى والأركان المحسوسة، تشير إلى أن الانتشار الواسع النطاق هو مسألة تنقل أكثر من أي وقت مضى.
وباختصار، فإن العلم الذي يقوم عليه الخوارزميات الآلية هو إنجاز متعدد التخصصات يدمج عملية ضخ الحس، والتمركز الاحتمالي، والتخطيط المعقد، والتعلم الآلي، وكل طبقة تعتمد على أسس رياضية صارمة وعلى عملية تحقق واسعة النطاق، وفي حين أن التحديات لا تزال قائمة، لا سيما فيما يتعلق بالحالات الحادة والقبول المجتمعي، فإن المسار واضح: إذ ستظل المركبات المستقلة أكثر أمانا وأكثر قدرة على إعادة تشكيل النقل في العملية.