لماذا تعتبر السيارات ذاتية القيادة مستقبلًا وكيف يتم إنشاؤها؟

بسبب الإجراءات الاحترازية التكيفية التي تم فرضها في معظم أنحاء العالم، تأثر السفر الجوي والنقل العام والعديد من القطاعات الأخرى بشكل كبير في عام 2020. ومع ذلك، أظهرت业 العالم السيارات والمركبات ذاتية القيادة مقاومة متزايدة خلال هذه الفترة الصعبة. في الواقع، زادت شركات مثل فورد استثماراتها في تطوير السيارات الكهربائية والسيارات ذاتية القيادة من خلال تخصيص 29 مليار دولار في الربع الرابع من العام الماضي. وتخصيص 7 مليارات دولار من هذا المبلغ لتطوير السيارات ذاتية القيادة. وبهذا، انضمت فورد إلى شركات جنرال موتورز وتي슬ا وباودو وغيرها من الشركات المصنعة للسيارات في الاستثمار الكبير في المركبات ذاتية القيادة. في هذا المقال، سنخبرك عن سبب استثمار الشركات في السيارات ذاتية القيادة وكيف يتم تدريب خوارزميات التعلم الآلي التي تعمل بها.

لماذا تستثمر العديد من الشركات في السيارات ذاتية القيادة؟

عندما ننظر إلى جميع الفوائد التي تقدمها المركبات ذاتية القيادة، من السهل أن نرى لماذا تستثمر العديد من الشركات في تطويرها. سوف ي能够 السائقون توفير المزيد من المال لأنهم لن يضطروا إلى دفع تكاليف التأمين الغالية، وستسريع رحلاتهم اليومية، وستحسن كفاءة الوقود، وغيرها من الفوائد. بالنسبة للشركات، تفتح هذه الآلية الباب أمام التوفيرات الكبيرة. على سبيل المثال، يمكن للشاحنات ذاتية القيادة على الطرق السريعة أن تقطع التكاليف التشغيلية بنسبة 45٪، وفقًا لتقرير صادر عن شركة ماكينزي.

المنفعة الرئيسية هي زيادة السلامة. وفقًا لإدارة السلامة الوطنية للطرقات السريعة، 94٪ من الحوادث الخطيرة ناتجة عن الأخطاء البشرية. يمكن للسيارات ذاتية القيادة أن تقلل بشكل كبير من عدد الحوادث لأنها لا تتطلب أي مدخلات من السائق ولديها رؤية بزاوية 360 درجة في جميع الأوقات. بالإضافة إلى ذلك، يمكن أن تتولى أنظمة السلامة المتقدمة للسيارات مهام السلامة الحاسمة في المواقف الخطرة مثل الكبح والتوجيه. هناك العديد من القيمة المضافة التي تقدمها المركبات ذاتية القيادة للمجتمع مثل تقليل الانبعاثات. في الواقع، أظهرت حالة أساسية انخفاضًا بنسبة 9٪ في الطاقة والانبعاثات الغازية في دورة حياة المركبة بالمقارنة مع المركبات التقليدية. الآن بعد أن عرفنا جميع الفوائد التي تقدمها السيارات ذاتية القيادة، دعونا ننظر كيف يتم تدريبها على التعرف على العالم من حولها.

كيف تعمل السيارات ذاتية القيادة وكيف يمكن أن تصبح حقيقة واقعة

تحتاج السيارة ذاتية القيادة إلى اتباع قواعد الطريق، ولذلك تحتاج إلى التعرف على جميع العلامات المرورية والرسم على الطريق، وكشف المركبات والمشاة، وعديد من الأشياء الأخرى. تعتمد هذه المركبات على التعلم الآلي لتحديد ما يجب القيام به في جميع حالات القيادة. دعونا نبدأ بمثال بسيط. شخص ما يقود سيارته ذاتية القيادة على الطريق السريع للذهاب إلى العمل. سوف تحتاج السيارة إلى تحديد الحد الأقصى للسرعة بشكل صحيح، والحفاظ على مسافة آمنة من السيارة الأمامية، وعندما تدخل منطقة سكنية، سوف تحتاج إلى التعرف على المشاة وتركهم يعبرون الطريق.

هذا يتطلب آلاف الصور التي يتم تعليمها باستخدام تقنيات تتراوح من التسمية إلى التجزئة الدلالية. في الواقع، تقول إيفجينيا خيمينكو، الرئيس التنفيذي لشركة مايندي سوبرت، وهي شركة تقدم خدمات تعليم البيانات لقطاع السيارات، أن هناك مجموعة واسعة من مشاريع تعليم البيانات للصناعة السيارات ممكنة:

“تشمل هذه المشاريع مشاريع مثل التعرف على الوجوه في مقاطع الفيديو لتدريب السيارات ذاتية القيادة على التعرف على سلوك السائقين الآخرين على الطريق، وتعليم الفيديو وتعليمه لتحديد حركة واتجاه المركبة (لقد قمنا بتعليم أكثر من 545 مليون تسلسل صورة). ومهمة تعليم الصوت المتقدمة كانت عندما كنا نحتاج إلى تحديد العلامة الزمنية وتعليم الكلام البشري وكذلك جميع الأصوات الخلفية التي تحدث داخل المركبة مثل الراديو والضحك والصياح والغناء والحيوانات وحتى الصمت”.

دعونا ننظر إلى سيناريو معقد. تخيل أن السيارة ذاتية القيادة تقود في حي سكني وهناك مراهقون مع لوح التزلج ينتظرون العبور. وفقًا للقواعد، تملك السيارة الحق في المرور، ولكن هناك فرصة جيدة أن لا ينتظروا الضوء الأخضر وسيحاولون العبور مسبقًا. سوف يكون السائق البشري على دراية بخطر مثل هذا الحدث وسوف يبطئ لاستباق حدوثه، ولكن بالنسبة للماكينة، سوف يكون من الصعب جدًا حساب ذلك. هذا هو الخطوة التالية التي يحاول الباحثون اتخاذها مع السيارات ذاتية القيادة، وربما يكون المزيد من البيانات المُعلّمة هو الجواب.

كيف ترى السيارات ذاتية القيادة العالم المادي؟

تعتمد السيارات ذاتية القيادة على تقنية الليدار لمساعدتها على رؤية العالم من حولها. tạo الليدار سحابة نقطية ثلاثية الأبعاد وهي تمثيل رقمي لطريقة رؤية نظام الذكاء الاصطناعي للعالم. هذه التقنية لا تقتصر على السيارات ذاتية القيادة فقط، بل تستخدم أيضًا في مهام آليّة أخرى مثل إنشاء روبوت يمكنه حصاد المحاصيل لقطاع الزراعة. سوف تحتاج سحابة النقاط ثلاثية الأبعاد أيضًا إلى تعليمها حتى تعرف الماكينة ما تراه بالضبط. هذا يتم عادةً باستخدام تقنيات مثل التسمية والboxes ثلاثية الأبعاد والتقسيم الدلالي. شكل أكثر تقدمًا من التعلم سوف يكون تعليم سحابة النقاط ثلاثية الأبعاد باللون حتى تفهم المركبة مسافة الكائن.

طريقة عمل الليدار هي أن يرسل إشارة ضوئية إلى جميع الأشياء المحيطة به واعتمادًا على مدة عودة الضوء، يعطي الذكاء الاصطناعي فهمًا لمسافة الكائن. على سبيل المثال، سوف يكون الأرض على سحابة النقاط ثلاثية الأبعاد دائمًا أزرق لأنها هي النقطة الأدنى، وسترتد الضوء بسرعة واللون الأزرق له طول موجة قصير. قد يكون أحد المباني المحيطة باللون الأحمر أو البرتقالي اعتمادًا على مدى بعده.

من الجدير بالذكر أن الليدار ليس اللعبة الوحيدة في المدينة. على سبيل المثال، تستخدم تيسلا شيء يسمى الهيدرانت، وهو مزيج من ثماني كاميرات تجمع بينها صورة كاملة للطريق. تستخدم شركات أخرى مثل وايمو وvoyage الليدار. أحد الأسباب المحتملة التي قد ت避ى تيسلا الليدار هو أنه громيز جدًا ويفسد المظهر العام للسيارة. بعد كل شيء، السيارات تيسلا غالية الثمن وسوف يريد السائقون احتمالاً عدم وجود صندوق كبير على سقف سياراتهم. قد تكون الشركات التي تطور روبوتات سيارات أجرة، مثل وايمو، قادرة على التغلب على استخدام الليدار.

لماذا البيانات التدريبية الجيدة مهمة جدًا؟

البيانات التدريبية الجيدة هي واحدة من أهم الأشياء التي تحتاجها لإنشاء سيارة ذاتية القيادة. ومع ذلك، مجرد الحصول على هذه البيانات ليس كافياً. تحتاج مجموعات البيانات التدريبية إلى التحضير من خلال تعليم البيانات حتى يمكن للنظام الاصطناعي التعلم منها. و虽然 هذا عملية طويلة ومملة، فإن نجاح المشروع بأكمله يعتمد عليها. بعد كل شيء، السيارات ذاتية القيادة هي المستقبل ويمكنها أن تساعدنا على تقليل أو حتى القضاء على بعض القضايا التي نواجهها فيما يتعلق بالحوادث والخسائر البشرية والمشاكل البيئية والازدحام على الطرق.