تعمل السيارات ذاتية القيادة بخوارزميات التعلم الآلي، التي تتطلب كميات هائلةً من بيانات القيادة كي تعمل بأمان، لكن إذا تعلمت تلك السيارات القيادة بنفس الطريقة التي يتعلم بها الأطفال المشي -بمشاهدة الآخرين وتقليدهم- فإنها ستتطلب بيانات قيادة مجمعة أقل بكثير.
دفعت هذه الفكرة إشيد أوهن-بار، المهندس في جامعة بوسطن، لتطوير طريقة جديدة تمامًا للمركبات ذاتية القيادة، لتعلم تقنيات القيادة الآمنة، بمشاهدة السيارات الأخرى على الطريق، والتنبؤ بكيفية استجابتها لبيئتها، واستخدام تلك المعلومات لاتخاذ قرارات القيادة الخاصة بها.
أوهن-بار أستاذ مساعد في كلية الهندسة الكهربائية في جامعة بوسطن، وجيمو يانج جانج طالب دكتوارة في الجامعة ذاتها، عرضوا بحثهم مؤخرًا في مؤتمر عام 2021، المعني بالرؤية الحاسوبية والتعرف على الأنماط، وجاءت فكرتهم عن نموذج التدريب من رغبتهم بزيادة تبادل البيانات والتعاون بين الباحثين في مجالهم في الوقت الراهن، وتتطلب المركبات المستقلة العديد من بيانات القيادة لتعلم القيادة بأمان، ولكن بعض أكبر شركات السيارات في العالم تحتفظ بكميات هائلة من بياناتها الخاصة لمنع المنافسة.
قال أوهن-بار: «تمر كل شركة بنفس العملية من أخذ السيارات ووضع أجهزة استشعار عليها، ودفع أجور السائقين لقيادتها، وتجميع البيانات وتعليم السيارات القيادة». ويمكن أن يساعد تبادل بيانات القيادة للشركات على صنع سيارات ذاتية التحكم وآمنة بصورة أسرع، ما يسمح لكل فرد في المجتمع بالاستفادة من هذا التعاون، وتتطلب أنظمة القيادة الذكية الكثير من البيانات لتعمل جيدًا.
يقول أوهن-بار: «لن تتمكن أي شركة من حل هذه المشكلة بمفردها».
ويضيف: «مليارات الأميال من البيانات المجمعة على الطريق هي جزء لا يُذكر مقارنةً بالأحداث والتنوع في العالم الحقيقي، ومع ذلك ربما تؤدي عينة بيانات مفقودة إلى سلوك غير آمن وحادث تحطم محتمل».
تعمل خوارزمية التعلم الآلي التي اقترحها الباحثون عن طريق تقدير وجهات النظر والبقع العمياء للسيارات القريبة الأخرى لوضع خريطة بمنظور شامل للبيئة المحيطة.
وتساعد هذه الخرائط السيارات ذاتية القيادة على كشف العقبات، مثل السيارات الأخرى أو المشاة، وفهم كيف تلتف السيارات وتمر وتتراجع دون أن تصدم شيئًا.
وتتعلم السيارات ذاتية القيادة بهذه الطريقة ترجمة حركات المركبات المحيطة بها إلى أطر مرجعية خاصة بها -أي شبكاتهم العصبية- التي تعمل عن طريق خوارزميات التعلم الآلي، وربما تكون هذه المركبات المحيطة مركبات يقودها الإنسان بدون أي أجهزة استشعار، أو سيارات ذاتية التحكم لشركة أخرى.
وبما أن الملاحظات من جميع السيارات المحيطة من مشهد ما أساسية لتأهيل الخوارزمية، يشجع هذا النموذج -التعلم عن طريق المشاهدة- على تبادل المعلومات، وبالتالي مركبات ذاتية التحكم أكثر أمانًا.
اختبر أوهن-بار وجانغ الخوارزمية راقب وتعلم) عن طريق قيادة السيارات المستقلة التي تقودها الخوارزمية للتنقل في مدينتين افتراضيتين، واحدة ذات منعطفات وعقبات مباشرة مماثلة لبيئة التدريب، وأخرى بعقبات غير متوقعة مثل التقاطعات الخماسية، ووجد الباحثون في الحالتين أن الشبكة العصبية ذاتية القيادة تتعرض لعدد قليل من الحوادث، وفي ساعة واحدة من تطبيق خوارزمية التعلم الآلي بواسطة بيانات القيادة، وصلت المركبات ذاتية التحكم بسلام لوجهتها بنسبة 92%.
يضيف أوهن-بار:«بينما تتطلب أفضل الطرق السابقة ساعات، فوجئنا بأن طريقتنا يمكنها تعليم القيادة بأمان في غضون 10 دقائق من بيانات القيادة، وتلك نتائج واعدة، ولكن ما تزال هناك عدة تحديات مفتوحة في التعامل مع الأوضاع الحضرية المعقدة».
وأضاف: «يصعب للغاية حصر وجهات النظر المختلفة، عبر مراقبة المركبات والضوضاء والانسداد في مقاييس الاستشعار والسائقين المختلفين».
وبالتطلع مستقبلًا، يقول الفريق أنه يمكن استخدام أسلوبهم في تعليم المركبات المستقلة القيادة بشكل ذاتي؛ في تقنيات أخرى. ويضيف أوهن-بار : «يمكن روبوتات التوصيل، وحتى الطائرات بدون طيار أن تتعلم بمشاهدة أنظمة الذكاء الاصطناعي الأخرى في بيئاتها».
اقرأ أيضًا:
كيف تعمل السيارات ذاتية القيادة ؟
ما هي اخر تطورات السيارات ذاتية القيادة ؟
ترجمة: حلا بوبو
تدقيق: باسل حميدي
