يستطيع الذكاء الاصطناعي بالفعل تصنيف الأشياء على الطريق باستخدام الرادار

هل ستتمكن السيارات الحديثة ذاتية القيادة في المستقبل من التمييز بدقة بين الأشياء الموجودة في حركة المرور، مثل السيارات والشاحنات والمشاة، بناءً على بيانات الرادار؟؟ هذا ممكن، وكل ذلك بفضل الذكاء الاصطناعي. في ورقة بحثية جديدة نُشرت على موقع Arxiv.org الأسبوع الماضي بعنوان: "تصنيف مستخدمي الطريق القائم على الرادار واكتشاف الجدة باستخدام مجموعات الشبكات العصبية المتكررة"، كشف علماء من شركة دايملر للسيارات عن حركة المرور والكشف الجديد استنادًا إلى الشبكات العصبية المتكررة. وقامت جامعة كاسل بألمانيا بتفصيل إطار عمل جديد للتعلم الآلي يمكنه تصنيف الأفراد والمركبات المشاركة في حركة المرور بوضوح باستخدام البيانات التي تم الحصول عليها من خلال نظام الرادار المجهز على السيارة فقط. لا حاجة للتعريف، يمكن ملاحظة أن هذا النموذج مناسب بشكل خاص للتطبيق في صناعة السيارات بشكل خاص وقطاع النقل بشكل عام، حيث من المحتمل أن تكون المركبات ذاتية القيادة هي الجانب الأكثر شعبية.

• يسعى معهد ماساتشوستس للتكنولوجيا إلى تطوير نموذج ذكاء اصطناعي يمكنه القيادة مثل الإنسان تقريبًا

وقال فريق البحث: "يمكن تحسين أداء التصنيف العام بشكل كبير بالمقارنة مع طرق التعرف على الأشياء الحالية، وبالإضافة إلى ذلك، سيكون عدد الكائنات التي تم التعرف عليها أكبر أيضًا، مصحوبًا بتحسينات أدت إلى تحسين مستوى الدقة بشكل كبير". علاوة على ذلك، وفقًا لتفسيرات العلماء، يعد الرادار أحد الأنواع القليلة من أجهزة الاستشعار التي يمكنها قياس سرعة العديد من الأجسام الموجودة في الأفق بشكل مباشر، وهو أقوى بشكل خاص من الأنواع الأخرى من أجهزة الاستشعار. أجهزة الاستشعار الأخرى عند العمل في ظروف جوية سيئة مثل الضباب أو الثلج أو المطر الغزير. ومع ذلك، هناك عدد قليل من الأجهزة التي يمكن أن تكون مثالية بنسبة 100% وأجهزة استشعار الرادار ليست استثناءً. تتميز بدقة زاويّة منخفضة نسبيًا مقارنة بمعظم أنواع المستشعرات الأخرى، مما يجعل من الصعب عرض بيانات كثيفة وواضحة على الشاشة.

الحل الذي توصل إليه فريق البحث في هذه الحالة هو استخدام مجموعة من المصنفات تتكون من 80 خلية ذاكرة طويلة قصيرة المدى (LSTM) أو شبكات عصبية خاصة متكررة (وهنا توجد وظائف رياضية متعددة الطبقات تحاكي بنية الخلايا العصبية البيولوجية - وهي تقنية في التعلم العميق التكنولوجيا) قادرة على التعلم وتذكر التبعيات طويلة المدى. على وجه الخصوص، يحتاج العلماء فقط إلى استخدام مجموعة فرعية مكونة من 98 سمة - على وجه التحديد، المشتقات الإحصائية للمدى والزاوية والسعة ودوبلر؛ الخصائص الهندسية والميزات المتعلقة بتوزيع قيمة دوبلر - لتحديد الاختلافات الرئيسية بين الكائنات التي تحتاج إلى تحديد، في حين لا تتطلب الكثير من القوة الحاسوبية في عملية التدريب والاستدلال على النموذج.

• الفرق بين الذكاء الاصطناعي (الذكاء الاصطناعي) والحوسبة الإدراكية (الحوسبة الإدراكية)

لتدريب نماذج التعلم الآلي هذه، وجد فريق البحث مجموعة بيانات تحتوي على أكثر من 3 ملايين نقطة بيانات لأكثر من 3800 مشارك في حركة المرور في الحياة الواقعية. ويتم استقبال هذه العينات التدريبية من خلال 4 أجهزة استشعار رادارية مثبتة في النصف الأمامي من مركبة الاختبار (يبلغ مداها حوالي 100 متر). بمجرد تدريبها، تمكنت نماذج التصنيف القائمة على التعلم الآلي من فرز الأشياء التي اكتشفتها، بما في ذلك: المشاة ومجموعات المشاة والدراجات والسيارات والشاحنات والنفايات، إلى فئات مقابلة بدقة عالية نسبيًا.

وعلى وجه التحديد، سيتم تخصيص فئة "مجموعة المشاة" لبيانات المشاة التي لا يستطيع النظام فيها التعرف على فصل واضح بين صور كل فرد يتم الحصول عليها من خلال بيانات الرادار. ومن ناحية أخرى، ستشمل فئات "القمامة" و"الأخرى" الأشياء والمركبات الغريبة التي لا يستطيع النظام التعرف عليها أو يخطئ في التعرف عليها. بمعنى آخر، تم الحكم على الأشياء الموضوعة في هاتين الفئتين بأنها لا تتناسب مع أي من مجموعات التصنيف الأخرى المذكورة أعلاه (مثل راكبي الدراجات النارية، والدراجات البخارية، والكراسي المتحركة، والكابلات، وما إلى ذلك) المعلقة والقطط والكلاب.

• ابتكر الذكاء الاصطناعي الياباني عارضات أزياء افتراضية فائقة الواقعية

فما مدى دقة نظام التصنيف المتقدم هذا وهل يمكن تطبيقه على نطاق واسع في المستقبل القريب؟ ووفقًا للباحثين، فإن لديهم دقة متوسطة تصل إلى 91.46% في تصنيف الأشياء، ويكونون أكثر دقة عند مشاركة نفس مجموعة الخصائص. من الواضح أن معظم أخطاء التصنيف تحدث غالبًا بين المشاة ومجموعات المشاة بسبب أوجه التشابه المعقدة بين هاتين الفئتين. وفي الوقت نفسه، هناك أيضًا بعض حالات الالتباس الأخرى المتعلقة بخصائص الأشياء وأشكالها. على سبيل المثال، قد يخطئ النظام في التمييز بين شخص على كرسي متحرك وشخص يركب دراجة نارية صغيرة.

بغض النظر عن العيوب البسيطة المذكورة أعلاه، يعتقد فريق البحث أن هذا الهيكل المقترح يمكن أن يسمح برؤى جديدة حول أهمية ميزات التعرف على الفئات المختلفة بشكل فردي، وهو أمر بالغ الأهمية لتطوير خوارزميات جديدة بالإضافة إلى متطلبات أنظمة الاستشعار. . علاوة على ذلك، فإن القدرة على التعرف ديناميكيًا على الأشياء من العديد من الفئات المختلفة مع الأشياء التي تظهر في بيانات التدريب تلعب أيضًا دورًا مهمًا في تطوير تكنولوجيا المركبات ذاتية القيادة بشكل عام.

• يستخدم الذكاء الاصطناعي بيانات WiFi لتقدير عدد الأشخاص في الغرفة

وفي المستقبل، يخطط العلماء لتحسين النتائج الحالية من خلال تطبيق تقنيات معالجة الإشارات عالية الدقة، والتي يمكن أن تساعد في زيادة دقة الرادار من حيث نطاق التأثير وزاوية التأثير الديناميكية والدوبلر.