نماذج ومنصات الذكاء الاصطناعي

فريق دولي يخطو خطوة كبيرة إلى الأمام في تقنية المركبات ذاتية القيادة

Alex McFarland
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةحقق فريق البروفيسور جيون دقة كشف تجاوزت 96% باستخدام YOLOv3 للأجسام ثلاثية الأبعاد.
عرض المزيد
  • حقق فريق البروفيسور جيون دقة كشف تجاوزت 96% باستخدام YOLOv3 للأجسام ثلاثية الأبعاد.
  • يكتشف نظام إنترنت الأشياء الذكي الأجسام بشكل موثوق في ظروف الإضاءة المنخفضة والطقس غير المعتاد.
  • يمكن لهذه التقنية أن تتيح قيادة ذاتية أكثر أمانًا، وركن السيارات، والتوصيل، والروبوتات خلال 5-10 سنوات.

المركبات ذاتية القيادة على وشك إحداث ثورة في النقل — ومع ذلك، فإن تنفيذها الناجح يعتمد على القدرة على التعرف بدقة على التهديدات الخارجية والاستجابة لها. من خوارزميات معالجة الإشارات وتحليل الصور وصولًا إلى الأنظمة الذكية القائمة على التعلم العميق والمتكاملة مع البنية التحتية لإنترنت الأشياء، يجب استخدام مجموعة من التكنولوجيات من أجل أن توفر السيارات ذاتية القيادة تشغيلًا آمنًا عبر تضاريس متنوعة. لضمان عدم المساس بسلامة الركاب مع انتشار هذه السيارات ذاتية القيادة المتطورة، هناك حاجة إلى تطوير أساليب قوية يمكنها الكشف عن المخاطر المحتملة بسرعة وموثوقية.

تعتمد المركبات ذاتية القيادة على حساسات متقدمة مثل LiDAR و الرادار و الكاميرات RGB لتوليد كميات كبيرة من المعلومات لتحديد المشاة و السائقين الآخرين و المخاطر المحتملة. دمج القدرات الحاسوبية المتقدمة وإنترنت الأشياء في هذه السيارات الآلية يجعل من الممكن معالجة هذه البيانات بسرعة في الموقع من أجل التنقل عبر مناطق مختلفة وحول الأجسام بفعالية أكبر. في النهاية، هذا يسمح للمركبة ذاتية القيادة باتخاذ قرارات في أجزاء من الثانية بدرجة دقة أعلى بكثير من السائقين البشر التقليديين.

خطوة كبيرة في تقنية المركبات ذاتية القيادة

البحث الرائد الذي أجراه الأستاذ غوانغ جيل جيون من جامعة إنشون الوطنية في كوريا وفريقه الدولي يعتبر خطوة كبيرة في تقنية المركبات ذاتية القيادة. النظام الذكي المبتكر المتكامل من البداية إلى النهاية والمدعوم بإنترنت الأشياء الذي طوروه يسمح بالكشف عن الأجسام ثلاثية الأبعاد في الوقت الفعلي باستخدام التعلم العميق، مما يجعله أكثر موثوقية و كفاءة من أي وقت مضى. يمكنه الكشف عن عدد أكبر من الأجسام بدقة، حتى في ظل بيئات صعبة مثل الضوء المنخفض أو الطقس غير المعتاد — شيء لا تستطيع الأنظمة الأخرى القيام به. هذه القدرات تسمح بالملاحة الآمنة حول مختلف السيناريوهات المرورية، مما يرفع معايير أنظمة المركبات ذاتية القيادة و يسهم في تحسين سلامة الطرق في جميع أنحاء العالم.

نشر البحث في مجلة IEEE Transactions of Intelligent Transport Systems.

“بالنسبة إلى المركبات ذاتية القيادة، إدراك البيئة هو أمر حاسم للإجابة على السؤال الأساسي، ‘ماذا حولي؟’ من الضروري أن تفهم المركبة ذاتية القيادة ظروفها المحيطة وبيئتها بفعالية و دقة من أجل اتخاذ إجراء استجابي،” يشرح الأستاذ جيون. “لقد قمنا بتصميم نموذج الكشف بناءً على YOLOv3، خوارزمية التعرف المعروفة جيدًا. تم استخدام النموذج أولًا للكشف عن الأجسام ثنائية الأبعاد ثم تعديله للكشف عن الأجسام ثلاثية الأبعاد،” يضيف.

بناء النموذج على YOLOv3

قدم الفريق الصور RGB وبيانات السحابة النقطية إلى YOLOv3، والتي أخرجت بعد ذلك تسميات تصنيف و صناديق تحديد مع درجات ثقة. تم اختبار أدائها مع مجموعة بيانات Lyft، وأظهرت النتائج المبكرة أن YOLOv3 حقق دقة الكشف العالية جدًا (أكثر من 96%) لكل من الأجسام ثنائية وثلاثية الأبعاد. تفوق النموذج على مختلف نماذج الكشف الأحدث والأكثر تقدمًا.

يمكن استخدام هذه الطريقة الجديدة المطورة لمركبات ذاتية القيادة والركن الذاتي و تسليم ذاتي و روبوتات ذاتية القيادة في المستقبل. يمكن استخدامها أيضًا في التطبيقات التي تتطلب الكشف عن الأجسام و العوائق و التتبع و التموضع البصري.

“في الوقت الحالي، يتم تنفيذ القيادة الذاتية من خلال معالجة الصور باستخدام LiDAR، ولكن من المتوقع أن تحل الكاميرا العادية محل دور LiDAR في المستقبل. وبالتالي، فإن التكنولوجيا المستخدمة في المركبات ذاتية القيادة تتغير في كل لحظة، ونحن في الطليعة،” يقول الأستاذ جيون. “استنادًا إلى تطور التكنولوجيا الأساسية، يجب أن تكون المركبات ذاتية القيادة مع تحسين السلامة متاحة خلال السنوات الخمس إلى العشر المقبلة.”

يقود أليكس عمليات الأخبار المدعومة بالذكاء الاصطناعي في Unite.AI، حيث يجمع بين الصحافة والبحث والأتمتة لدعم تغطية سريعة وقابلة للتوسع للذكاء الاصطناعي. يساعد عمله في ضمان ظهور التطورات الناشئة في مجال الذكاء الاصطناعي بشكل فعال مع الحفاظ على معايير التحرير في النشرة.