أدوات سلامة المركبات المستقلة القابلة للتحجيم تم تطويرها من قبل الباحثين

随着 زيادة سرعة تصنيع المركبات المستقلة وتسليمها، أصبحت سلامة المركبات المستقلة أكثر أهمية. لهذا السبب، يستثمر الباحثون في إنشاء مقاييس وأدوات لتتبع سلامة المركبات المستقلة. وفقًا لتقرير ScienceDaily، استخدم فريق بحث من جامعة إلينوي في أوربانا-شامبين خوارزميات التعلم الآلي لإنشاء منصة تحليل سلامة المركبات المستقلة القابلة للتحجيم، باستخدام تحسينات الأجهزة والبرمجيات للقيام بذلك.

تحسين سلامة المركبات المستقلة ظل أحد المهام الأكثر صعوبة في مجال الذكاء الاصطناعي، بسبب المتغيرات العديدة الموجودة في المهمة. لا تقتصر الحساسة والخوارزميات الموجودة في المركبة على التعقيد الشديد، بل توجد أيضًا ظروف خارجية كثيرة تتغير باستمرار، مثل حالة الطرق، والتضاريس، والطقس، والإضاءة، والمرور.

تغير منظر و خوارزميات المركبات المستقلة باستمرار، ويتطلب الأمر من الشركات وسيلة للبقاء على اتصال مع التغييرات والاستجابة للمشاكل الجديدة. يعمل فريق البحث في إلينوي على منصة تسمح للشركات بالتعامل مع القلقات الأمنية المحددة حديثًا بطريقة سريعة واقتصادية. ومع ذلك، فإن تعقيد النظام الذي يقود المركبات المستقلة يجعل هذا مشروعًا ضخمًا. يصمم فريق البحث نظامًا قادرًا على تتبع ونقل системы المركبات المستقلة التي تحتوي على عشرات المعالجات والمسرعين التي تعمل بملايين السطور من التعليمات البرمجية.

بشكل عام، تسير المركبات المستقلة بسلامة جيدة. ومع ذلك، عندما يحدث فشل أو حدث غير متوقع، فإن المركبة المستقلة أكثر عرضة للتعرض لحادث من السائقين البشر، لأن المركبة غالبًا ما تواجه صعوبة في التفاوض على حالات الطوارئ الفجائية. من الصعب قياس مدى سلامة المركبات المستقلة وما الذي يسبب الحوادث، من الواضح أن فشل مركبة تسير بسرعة 70 ميلًا في الساعة على الطريق يمكن أن يكون خطرًا شديدًا، وبالتالي هناك حاجة لتحسين التعامل مع حالات الطوارئ من قبل المركبات المستقلة.

أوضح ساورابه جها، مرشح الدكتوراه وواحد من الباحثين المشاركين في البرنامج، لشركة ScienceDaily الحاجة لتحسين التعامل مع الفشل في المركبات المستقلة. أوضح جها:

“إذا شعر سائق سيارة عادية بمشكلة مثل انحراف السيارة أو سحبها، يمكن للسائق تعديل سلوكه وتوجيه السيارة إلى نقطة توقف آمنة. ومع ذلك، قد يكون سلوك المركبة المستقلة غير متوقع في مثل هذه الحالة إلا إذا تم تدريب المركبة المستقلة بشكل صريح على مثل هذه المشاكل. في العالم الحقيقي، هناك عدد لا حصر له من هذه الحالات”.

يستهدف الباحثون حل هذه المشكلة من خلال جمع وتحليل البيانات المتعلقة بالتقارير الأمنية التي قدمتها شركات المركبات المستقلة. شركات مثل Waymo وUber مطلوبة تقديم تقارير إلى إدارة المركبات الآلية في كاليفورنيا على الأقل سنويًا. تحتوي هذه التقارير على بيانات حول إحصائيات مثل المسافة التي قطعتها السيارات، وعدد الحوادث التي وقعت، والظروف التي كانت تعمل فيها المركبات.

قام فريق البحث في جامعة إلينوي بتحليل التقارير التي غطت الفترة من 2014 إلى 2017. خلال هذه الفترة، سارت المركبات المستقلة حوالي 1,116,000 ميل موزعة على 144 مركبة مختلفة. وفقًا لنتائج فريق البحث، عند مقارنة نفس المسافة التي قطعتها السائقون البشر، كانت الحوادث أكثر احتمالاً ب 4000 مرة. قد تشير الحوادث إلى أن الذكاء الاصطناعي للمركبة فشل في النزول بشكل صحيح وتجنب الحادث، وبدلاً من ذلك اعتمد على السائق البشري للاستمرار.

من الصعب تشخيص الأخطاء المحتملة في الأجهزة أو البرمجيات للمركبة المستقلة لأن العديد من الأخطاء سوف تظهر فقط في ظل الظروف الصحيحة. كما أنه لا يعتبر من الممكن إجراء الاختبارات في كل حالة ممکنة التي قد تحدث على الطريق. بدلاً من جمع البيانات على مئات الآلاف من الأميال الحقيقية التي قطعتها المركبات المستقلة، يستخدم فريق البحث بيئات محاكاة لتقليل الوقت والمال المستخدمين في توليد البيانات لتدريب المركبات المستقلة.

يستخدم فريق البحث البيانات التي تم توليدها لاستكشاف الحالات التي يمكن أن يحدث فيها فشل المركبات المستقلة ومشاكل أمنية. يبدو أن استخدام المحاكاة يمكن أن يساعد الشركات بشكل حقيقي في العثور على مخاطر أمنية لن تكون قادرة على العثور عليها خلاف ذلك. على سبيل المثال، عندما قام الفريق بتحليل المركبة المستقلة Apollo، التي أنشأتها Baidu، عزلوا أكثر من 500 حالة فشلت فيها المركبة المستقلة في التعامل مع حالة طارئة وحدث حادث نتيجة لذلك. يأمل فريق البحث أن تستفيد الشركات الأخرى من منصة الاختبار الخاصة بهم وتحسن من سلامة مركباتها المستقلة.