يحتوي DriveSeg على تمثيلات دقيقة بالبكسل للعديد من الأشياء الشائعة المتناثرة على الطريق، كما يُرى من خلال عدسة مشهد قيادة الفيديو المستمر
أصدر معهد ماساتشوستس للتكنولوجيا AgeLab ومختبر الأبحاث التعاوني التابع لشركة تويوتا بشكل مشترك قاعدة بيانات تحتوي على تمثيلات للأشياء الشائعة المنتشرة على الطرق لتحسين القدرة التدريبية للسيارات ذاتية القيادة.
"كيف يمكننا تدريب المركبات ذاتية القيادة بحيث يكون لديها وعي أعمق بما يحيط بها؟ هل يمكن لأجهزة الكمبيوتر أن تتعلم من تجارب الماضي للتعرف على الأنماط المستقبلية التي يمكن أن تساعدها على التنقل بأمان في المواقف الجديدة وغير المتوقعة؟ هذه بعض الأسئلة التي يحاول الباحثون من AgeLab في مركز MIT للنقل والخدمات اللوجستية ومركز تويوتا لأبحاث السلامة التعاونية (CSRC) الإجابة عليها من خلال مشاركة مجموعة بيانات مفتوحة جديدة تسمى DriveSeg.
ومن خلال DriveSeg، يعمل معهد ماساتشوستس للتكنولوجيا وتويوتا على تطوير الأبحاث في أنظمة القيادة الذاتية، والتي، على غرار الإدراك البشري، تنظر إلى بيئة القيادة على أنها تدفق مستمر من المعلومات المرئية.
يقول بريان رايمر، الباحث الرئيسي: "من خلال مشاركة مجموعة البيانات هذه، نأمل في تشجيع الباحثين والصناعة والمطورين الآخرين على تطوير رؤى واتجاهات جديدة للنماذج الزمنية للذكاء الاصطناعي التي تمكن الجيل القادم من تقنيات مساعدة السائق". "إن علاقة العمل طويلة الأمد مع Toyota CSRC مكنت جهودنا البحثية من التأثير على تقنيات السلامة المستقبلية."
ويقول ريني شاروني، كبير مهندسي تويوتا CSRC: "إن القدرة على الرؤية جزء مهم من الذكاء البشري". "في كل مرة نقود السيارة، نقوم دائمًا بمراقبة تحركات البيئة لتحديد المخاطر المحتملة واتخاذ قرارات أكثر أمانًا. ومن خلال مشاركة مجموعة البيانات هذه، نأمل في تسريع البحث في أنظمة القيادة الذاتية وميزات السلامة المتقدمة التي تتكيف بشكل أفضل مع تعقيد البيئة المحيطة بها. "
حتى الآن، تتكون بيانات القيادة الذاتية المتاحة لمجتمع البحث بشكل أساسي من تمثيلات صور ثابتة واحدة يمكن استخدامها لتحديد وتتبع الأشياء الشائعة داخل الطريق وحوله، مثل الدراجات أو المشاة أو إشارات المرور، باستخدام "الحدود" مربعات." في المقابل، يحتوي DriveSeg على تمثيلات أكثر دقة بالبكسل للعديد من نفس أجسام الطريق الشائعة، ولكن كما يُرى من خلال عدسة مشهد القيادة بالفيديو المستمر. يمكن أن يكون هذا النوع من التجزئة مفيدًا بشكل خاص في تحديد المزيد من الكائنات غير المتبلورة - مثل الطرق قيد الإنشاء والغطاء النباتي - والتي لا تحتوي دائمًا على مثل هذه الأشكال المحددة والموحدة.
ووفقاً لشاروني، فإن تصور مشهد القيادة المعتمد على الفيديو يوفر تدفقاً للبيانات يشبه إلى حد كبير مواقف القيادة الديناميكية في العالم الحقيقي. كما سيسمح للباحثين باستكشاف أنماط البيانات أثناء قيامهم بالمحاكاة بمرور الوقت، مما قد يؤدي إلى تقدم في التعلم الآلي وفهم المشهد والتنبؤ السلوكي.
DriveSeg متاح مجانًا ويمكن للباحثين استخدامه لأغراض غير تجارية على هذا الرابط
المزيد عن الموضوع على موقع العلوم:
תגובה אחת
هناك الكثير من التعقيد في محاكاة القيادة الذاتية. لم يشرح هذا المقال ما هو هذا التعقيد الذي جاء لوصفه.
سأحاول أن أشرح:
تحتوي المركبة المستقلة على سلسلة من التجميعات التي تشكل حواسها. أشياء مثل الكاميرات في مواقع مختلفة، وأجهزة الليدار (وهو في الواقع ليزر يقيس مسافة نقطة معينة)، والآلات الحاسبة والمزيد.
يجب تنسيق كل شيء فعلي في بيئة القيادة إلى المستوى الذي تتلقى فيه السيارة المحددة معلوماتها من كل حواسها. على سبيل المثال، انعكاس من بركة على الطريق، وكيف ترى الكاميرا صندوقًا من الورق المقوى على الطريق، وما إلى ذلك.
وبدون تمثيل كل هذه لا توجد محاكاة.
فمن الضروري بناء بيئات صعبة للسيارة. ليس من المنطقي أن تقود السيارة عندما تكون هناك حركة مرور عادية حولها، لأنه حتى يحدث شيء مهم يتحدى السيارة، سيستغرق الأمر وقتًا طويلاً.
عليك أن تبني سيناريوهات تحدث فيها أشياء مثيرة للاهتمام، وهذا فن بحد ذاته، وهو أمر لا تستطيع أشياء مثل الذكاء الاصطناعي فعله في الوقت الحالي.