يتم تشغيل السيارات ذاتية القيادة من خلال خوارزميات التعلم الآلي التي تتطلب كميات هائلة من بيانات القيادة من أجل العمل بأمان. ولكن إذا تمكنت السيارات ذاتية القيادة من تعلم القيادة بنفس الطريقة التي يتعلم بها الأطفال المشي - من خلال مشاهدة وتقليد الآخرين من حولهم - فسيتطلبون بيانات قيادة أقل تجميعًا. تدفع هذه الفكرة مهندس جامعة بوسطن إيشيد أون بار إلى تطوير طريقة جديدة تمامًا للمركبات ذاتية القيادة لتعلم تقنيات القيادة الآمنة - من خلال مشاهدة السيارات الأخرى على الطريق ، والتنبؤ بكيفية استجابتهم لبيئتهم ، واستخدام هذه المعلومات لجعل قرارات القيادة الخاصة.
أون بار ، أستاذ مساعد في كلية الهندسة في جامعة بوسطن في الهندسة الكهربائية وهندسة الحاسبات ، وزميل هيئة تدريس مبتدئ في معهد رفيق الحريري للحوسبة والعلوم والهندسة الحاسوبية في جامعة بوسطن ، وجيمويانغ تشانغ ، طالب دكتوراه في الهندسة الكهربائية وهندسة الحاسبات في جامعة بوسطن ، قدم مؤخرًا أبحاثهم في مؤتمر 2021 حول الرؤية الحاسوبية والتعرف على الأنماط. جاءت فكرتهم الخاصة بنموذج التدريب من الرغبة في زيادة مشاركة البيانات والتعاون بين الباحثين في مجالهم - تتطلب المركبات ذاتية القيادة حاليًا ساعات عديدة من بيانات القيادة لتعلم كيفية القيادة بأمان ، ولكن بعض أكبر شركات السيارات في العالم تحافظ على نطاقها الواسع. كميات من البيانات خاصة لمنع المنافسة.
يقول أون بار: "تمر كل شركة بنفس العملية المتمثلة في أخذ السيارات ، ووضع أجهزة استشعار عليها ، والدفع للسائقين لقيادة المركبات ، وجمع البيانات ، وتعليم قيادة السيارات". يمكن أن تساعد مشاركة بيانات القيادة الشركات في إنشاء مركبات آمنة ومستقلة بشكل أسرع ، مما يسمح للجميع في المجتمع بالاستفادة من التعاون. تتطلب أنظمة القيادة الذكية اصطناعياً الكثير من البيانات لتعمل بشكل جيد ، كما يقول Ohn-Bar ، ولن تتمكن أي شركة بمفردها من حل هذه المشكلة بمفردها.
يقول أون بار: "إن مليارات الأميال [من البيانات التي يتم جمعها على الطريق] ليست سوى قطرة في محيط من أحداث العالم الحقيقي والتنوع". "ومع ذلك ، يمكن أن تؤدي عينة البيانات المفقودة إلى سلوك غير آمن وانهيار محتمل."
تعمل خوارزمية التعلم الآلي التي اقترحها الباحثون عن طريق تقدير وجهات النظر والنقاط العمياء للسيارات القريبة الأخرى لإنشاء خريطة رؤية شاملة للبيئة المحيطة. تساعد هذه الخرائط السيارات ذاتية القيادة في اكتشاف العوائق ، مثل السيارات الأخرى أو المشاة ، وفهم كيفية دوران السيارات الأخرى والتفاوض والاستسلام دون الاصطدام بأي شيء.
من خلال هذه الطريقة ، تتعلم السيارات ذاتية القيادة من خلال ترجمة تصرفات المركبات المحيطة إلى إطارات مرجعية خاصة بها - وهي الشبكات العصبية التي تعمل بخوارزمية التعلم الآلي الخاصة بها. قد تكون هذه السيارات الأخرى مركبات يقودها الإنسان بدون أي أجهزة استشعار ، أو مركبات ذاتية القيادة لشركة أخرى. نظرًا لأن الملاحظات من جميع السيارات المحيطة في مشهد ما هي مركزية لتدريب الخوارزمية ، فإن نموذج "التعلم من خلال المشاهدة" يشجع على مشاركة البيانات ، وبالتالي المركبات المستقلة الأكثر أمانًا.
اختبر Ohn-Bar و Zhang خوارزمية "المراقبة والتعلم" الخاصة بهم من خلال جعل السيارات ذاتية القيادة التي تقودها تتنقل في بلدتين افتراضيتين - إحداهما ذات انعطافات وعقبات مباشرة مماثلة لبيئتها التدريبية ، والأخرى مع التقلبات غير المتوقعة ، مثل التقاطعات الخماسية. في كلا السيناريوهين ، وجد الباحثون أن شبكتهم العصبية ذاتية القيادة تتعرض لحوادث قليلة جدًا. مع ساعة واحدة فقط من بيانات القيادة لتدريب خوارزمية التعلم الآلي ، وصلت المركبات ذاتية القيادة بأمان إلى وجهاتها بنسبة 92 بالمائة من الوقت.
يقول Ohn-Bar: "بينما كانت أفضل الطرق السابقة تتطلب ساعات ، فقد فوجئنا بأن طريقتنا يمكن أن تتعلم القيادة بأمان مع 10 دقائق فقط من بيانات القيادة".
يقول إن هذه النتائج واعدة ، لكن لا تزال هناك العديد من التحديات المفتوحة في التعامل مع البيئات الحضرية المعقدة. يقول: "من الصعب للغاية حساب وجهات النظر المتغيرة بشكل كبير عبر المركبات التي يتم مراقبتها ، والضوضاء والانسداد في قياسات أجهزة الاستشعار ، والسائقين المختلفين".
بالنظر إلى المستقبل ، يقول الفريق إن طريقتهم في تعليم المركبات ذاتية القيادة يمكن استخدامها في تقنيات أخرى أيضًا. "توصيل الروبوتات أو حتى الطائرات بدون طيار يمكن أن تتعلم من خلال مشاهدة أنظمة الذكاء الاصطناعي الأخرى في بيئتها ".
