⚡ electrical engineering

Uncertainty Representation in a SOTIF-Related Use Case with Dempster-Shafer Theory for LiDAR Sensor-Based Object Detection

تقترح هذه الورقة إطار عمل منهجياً للكشف عن الأجسام باستخدام تقنية ليدار (LiDAR) متوافق مع معايير سلامة الوظائف المقصودة (SOTIF)، والذي يستخدم نظرية دمبستر-شيفر مع قاعدة ياجر لنمذجة ودمج مصادر عدم اليقين، بينما يوظف تحليل الحساسية القائم على التباين لقياس تأثيراتها المحددة على دقة الكشف.

المؤلفون الأصليون: Milin Patel, Rolf Jung

نُشر 2026-05-19

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Milin Patel, Rolf Jung

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تقود سيارة ذاتية القيادة على طريق ريفي ممطر وضبابي. أنت تحاول تجاوز دراجة هوائية بطيئة بينما تأتي شاحنة من الاتجاه المعاكس. "عيون" سيارتك هي مستشعرات "ليدار" (LiDAR)، التي تطلق أشعة ليزر غير مرئية لرسم خريطة للعالم. ولكن، تماماً كما تعاني العيون البشرية في هطول أمطار غزيرة، يمكن لهذه الأشعة أن ترتبك بسبب المطر والضباب والطرق المبتلة. قد ترى هذه الأشعة "شبحاً" (إنذار كاذب) أو تفشل في رصد خطر حقيقي (تجاهل الدراجة الهوائية).

هذه الورقة البحثية تدور حول تعليم كمبيوتر السيارة كيف يقول: "أنا لست متأكداً بنسبة 100% مما أراه، وإليك بالضبط سبب عدم تأكدي".

إليك شرح مبسط لما قام به المؤلفون:

1. المشكلة: "نافذة الضباب" لعدم اليقين

يركز المؤلفون على هدف سلامة محدد يسمى SOTIF (سلامة الوظائف المقصودة). فكر في SOTIF كأنها وعد من السيارة بالبقاء آمنة حتى عندما تصبح قواعد الطريق غريبة أو تصبح المستشعرات مرتبكة.

المشكلة هي أن مستشعرات "ليدار" ترتكب أخطاءً بسبب نوعين من "الضباب":

ضباب الطقس (Aleatoric): وهو المطر، والطريق المبتل، والضباب الفعلي في الخارج. لا يمكن للسيارة التحكم في هذا؛ إنه مجرد أمر يحدث.
ضباب المعرفة (Epistemic): وهي قيود السيارة الخاصة. ربى لم يشهد "عقل" السيارة (نموذج الذكاء الاصطناعي) أياماً ممطرة كافية أثناء التدريب، أو أن المستشعر نفسه ليس مثالياً.

2. الحل: طريقة جديدة لحساب "ربما"

عادةً ما تستخدم الحواسيب رياضيات قياسية (مثل رمي العملة المعدنية) لتخمين الاحتمالات. ولكن إذا لم يكن لديك بيانات كافية، فإن رمي العملة يكون تخميناً سيئاً.

بدلاً من ذلك، استخدم المؤلفون أداة رياضية خاصة تسمى نظرية دمبستر-شيفر (DST).

التشبيه: تخيل أنك محقق يحاول حل جريمة.
- الرياضيات القياسية تقول: "هناك احتمال بنسبة 60% أن يكون الخادم هو الفاعل".
- نظرية (DST) تقول: "لدي بعض الأدلة تشير إلى الخادم، وبعض الأدلة تشير إلى البستاني، وكومة كبيرة من الأدلة تقول ببساطة 'لا أعرف بعد'. يمكنني إبقاء كل هذه الاحتمالات مفتوحة في نفس الوقت دون إجبار النظام على اختيار إجابة واحدة".

هذا مثالي للسيارات ذاتية القيادة لأنه يسمح للنظام بالاعتراف بـ "أنا غير متأكد"، بدلاً من تقديم تخمين مخاطر.

3. الخريطة: ربط النقاط

بنى المؤلفون خريطة (تسمى DAG) لتوضيح كيفية اتصال المشكلات المختلفة ببعضها.

المطر يجعل الطريق مبتلاً.
الطريق المبتل يجعل أشعة الليزر ترتد بشكل غريب.
الارتدادات الغريبة تربك المستشعر.
المستشعر المرتبك يجعل عقل الذكاء الاصطناعي أقل تأكداً من مكان وجود الدراجة الهوائية.

استخدموا هذه الخريطة لتتبع كيف يمكن للقليل من المطر أن يتحول إلى خطر كبير على السلامة.

4. التجربة: اختبار "الطريق الريفي"

قاموا باختبار هذا على سيناريو محدد: سيارة تسير بسرعة 60 كم/ساعة تحاول تجاوز دراجة هوائية على طريق ضيق وممطر مع قدوم شاحنة من الاتجاه الآخر.

طلبوا من النظام تحديد أربعة نتائج محتملة:

أرى الدراجة الهوائية بشكل صحيح.
أرى الشاحنة بشكل صحيح.
أنا أتجاهل الدراجة الهوائية (سلب كاذب/فشل في الرصد).
أنا أرى دراجة هوائية حيث لا توجد واحدة (إيجاب كاذب/إنذار خاطئ).

باستخدام رياضياتهم الخاصة (DST)، قاموا بدمج جميع الإشارات المربكة (المطر، الضباب، الطرق المبتلة) لمعرفة مدى انخفاض ثقة السيارة.

5. النتائج: ما الذي يهم حقاً؟

من خلال إجراء "تحليل الحساسية" (وهو بمثابة اختبار جهد)، اكتشفوا أي العوامل كانت الأكثر تسبباً في المشاكل:

العدو الأكبر: كثافة المطر وجودة المستشعر كانا أكبر مسببي عدم اليقين. إذا أمطرت بغزارة، تنخفض ثقة السيارة بشكل حاد.
المشكلة المتوسطة: الطرق المبتلة والضجيج في البيانات كانا أيضاً مؤثرين بشكل ملحوظ.
الإزعاج البسيط: كثافة الضباب وتشتت الإشارة كانا أقل أهمية من المطر، لكنهما لا يزالان مهمين.

6. الإصلاح: كيف نجعل الأمر أكثر أماناً

بناءً على نتائجهم، يقترح المؤلفون ثلاث طرق رئيسية لحل المشكلة:

برمجيات أذكى: إنشاء خوارزميات يمكنها التكيف تلقائياً عندما يبدأ المطر، تماماً مثل كيفية زيادة سرعة مساحات زجاج سيارتك عندما تشتد الأمطار.
بيانات أنقى: استخدام أدوات أفضل لتنقية "الضجيج" (الاستاتيكية) من بيانات المستشعر بحيث ترى السيارة صورة أوضح.
تدريب أفضل: تعليم الذكاء الاصطناعي عبر إظهار آلاف الأيام المحاكية الممطرة والضبابية له، ليتعلم ما يتوقعه قبل أن يواجه عاصفة حقيقية.

الملخص

هذه الورقة البحثية لا تخترع مستشعراً جديداً أو سيارة جديدة. بدلاً من ذلك، هي تخترع طريقة جديدة للتفكير في عدم اليقين. إنها تمنح السيارة ذاتية القيادة مفردات لتقول: "أنا أرى دراجة هوائية، ولكن نظرًا لهطول المطر بغزارة، فأنا متأكد بنسبة 70% فقط، وإليك الرياضيات التي تثبت ذلك". هذا يساعد المهندسين على معرفة أين يجب أن يركزوا جهودهم بالضبط لجعل القيادة ذاتية القيادة أكثر أماناً في الطقس السيئ.

ملخص تقني: تمثيل عدم اليقين في حالة استخدام متعلقة بسلامة الوظيفة المقصودة (SOTIF) باستخدام نظرية ديمبستر-شيفر للكشف عن الأجسام القائم على مستشعر ليدار (LiDAR)

بيان المشكلة
تتطلب سلامة الوظيفة المقصودة (SOTIF) في أنظمة القيادة الذاتية (ADS) معالجة المخاطر الناجمة عن القصور الوظيفي، لا سيما في البيئات ذات الظروف غير المتوقعة حيث تكون المعايير التشغيلية غير محددة بدقة. إن الكشف عن الأجسام القائم على مستشعر "ليدار" (LiDAR)، رغم كونه حيوياً للإدراك المحيطي ثلاثي الأبعاد، عرضة لعدم يقين كبير ناتج عن التباين البيئي (مثل المطر والضباب) والقيود في أداء المستشعر. وتتجلى أنواع عدم اليقين هذه في شكلين: عشوائي (Aleatoric) (التباين البيئي المتأصل) ومعرفي (Epistemic) (محدودية معرفة النظام أو النموذج). وغالباً ما تعاني الطرق الحالية من صعوبة في تمثيل حالات عدم اليقين هذه دون الاعتماد على احتمالات مسبقة متحيزة أو الفشل في مراعاة الأدلة المتضاربة. تعالج هذه الورقة الحاجة إلى نهج منهجي لتحديد وتصنيف وتمثيل حالات عدم اليقين هذه لضمان موثوقية وظائف الإدراك في أنظمة القيادة الذاتية.

المنهجية
يقترح المؤلفون سير عمل مهيكلاً لنمذجة عدم اليقين ضمن حالة استخدام محددة متعلقة بـ SOTIF: مركبة مزودة بمستشعر ليدار تسير على طريق ريفي ذي مسارين في ظروف جوية سيئة (مطر وضباب) أثناء التفاعل مع دراجة هوائية وشاحنة قادمة في الاتجاه المعاكس.

تحديد ورسم خرائط عدم اليقين:
- تم تصنيف مصادر عدم اليقين إلى عشوائية (مثل شدة المطر، كثافة الضباب، ظروف الطريق المبلل، تشتت الإشارات) ومعرفية (مثل جودة تدريب نماذج التعلم العميق، قيود المستشعر).
- تم رسم خرائط التبعيات بين هذه المصادر باستخدام رسم بياني موجه غير حلقي (DAG)، يوضح كيف تؤثر العوامل البيئية (مثل المطر) على الحالات المتوسطة (الطرق المبللة، تشتت الإشارات) والتي تؤثر في النهاية على دقة الكشف.
إطار نظرية ديمبستر-شيفر (DST):
- إطار التمييز (FoD): تم تعريفه كـ $\Theta = \{\theta_1, \theta_2, \theta_3, \theta_4\}$ ، ويمثل أربع نتائج للكشف: الكشف عن دراجة هوائية، الكشف عن شاحنة، السلبية الكاذبة (وجود جسم ولكن لم يتم اكتشافه)، والإيجابية الكاذبة (كشف خاطئ).
- تعيينات الاحتمال الأساسية (BPAs): يتم تعيين توزيعات الاحتمال الأساسية الشرطية لمجموعات فرعية من إطار التمييز بناءً على حالات مصادر عدم اليقين المحددة (مثل شدة المطر المنخفضة/المتوسطة/العالية). ويتم اشتقاق هذه التوزيعات من بيانات المحاكاة لالتقاط كل من عدم اليقين العشوائي والمعرفي.
- دمج الأدلة: للتعامل مع الأدلة المتضاربة من مصادر متعددة (على سبيل المثال، عندما يشير مصدر ما إلى احتمالية عالية للكشف بينما يشير آخر إلى احتمالية عالية للضوضاء)، تستخدم الورقة قاعدة ياجر للدمج (Yager's Rule of Combination). وعلى عكس قاعدة ديمبستر، تقوم قاعدة ياجر بإعادة توزيع الكتلة المتضاربة إلى المجموعة الشاملة $\Theta$ دون تطبيع، مما يحافظ على المعلومات المتعلقة بالجهل والتضارب في الأنظمة المعقدة.
- الكمّ (Quantification): يتم قياس عدم اليقين لكل مصدر باستخدام الفاصل بين دالتي الاعتقاد ($Bel $) والتحقق ($ Pl $). ويعتبر الفرق$ U(A) = Pl(A) - Bel(A)$ مقياساً لمستوى عدم اليقين.
تحليل الحساسية والتخفيف:
- تحليل الحساسية القائم على التباين (VBSA): تم تطبيقه لقياس مساهمة كل مصدر لعدم اليقين في إجمالي التباين في أداء الكشف (تحديداً في قيم $Bel $و$ Pl$).
- تحديد الأولويات: تم تصنيف المصادر إلى فئات: تأثير منخفض، متوسط، وعالٍ بناءً على حجم فترات عدم اليقين ومساهمات التباين.
- استراتيجيات التخفيف: تم اقتراح تدابير محددة بناءً على مصادر التأثير العالي التي تم تحديدها.

المساهمات الرئيسية
تقدم الورقة مساهمتين رئيسيتين:

نهج منهجي: تقدم منهجية مهيكلة لتحديد وتصنيف وتمثيل حالات عدم اليقين في الكشف عن الأجسام القائم على ليدار، وتحديداً ضمن سياق SOTIF.
تطبيق نظرية ديمبستر-شيفر (DST): توضح تطبيق نظرية ديمبستر-شيفر لإدارة حالات عدم اليقين هذه. وخلافاً للأعمال السابقة التي ركزت على تقييم الأداء، ينقل هذا البحث التركيز إلى تمثيل عدم اليقين لتطوير استراتيجيات تخفيف مستهدفة. ويُسلط الضوء على استخدام قاعدة ياجر كآلية لحل النزاعات دون فرض نتيجة احتمالية واحدة، وهو أمر بالغ الأهمية عندما تكون الأدلة متناقضة أو غير كافية.

النتائج

قياس عدم اليقين: كشف تطبيق نظرية (DST) أن بعض العوامل البيئية تضعف ثقة الكشف بشكل كبير. فعلى سبيل المثال، وُجد أن شدة المطر تزيد من احتمالية الإيجابيات الكاذبة، بينما ارتبطت كثافة الضباب وتشتت الإشارات بزيادة السلبيات الكاذبة.
تصنيف التأثير: باستخدام مقياس $Pl - Bel$، تم تصنيف مصادر عدم اليقين:
- تأثير عالٍ: شدة المطر، أداء مستشعر ليدار، ونوع السطح.
- تأثير متوسط: ظروف الطريق المبلل، الضوضاء في بيانات ليدار، جودة تدريب نموذج التعلم العميق، وقرب الأجسام.
- تأثير منخفض: كثافة الضباب، تشتت إشارات ليدار، وتباين الانعكاس.
تحليل الحساسية: أشارت نتائج (VBSA) إلى أن شدة المطر و تشتت إشارات ليدار يولدان أعلى تباين في أداء الكشف، يليهما ظروف الطريق المبلل وأداء المستشعر.
مقترحات التخفيف: بناءً على هذه النتائج، يقترح المؤلفون:
- تطوير خوارزميات تكيفية للتعدل مع الظروف الجوية المتغيرة.
- تطبيق تقنيات تقليل الضوضاء لتقليل التداخل البيئي.
- توسيع مجموعات البيانات التدريبية ببيانات الطقس القاسي المحاكات لتحسين تعميم النموذج.

الأهمية والقيود
تدعي الورقة أهميتها في توفير إطار مهيكل لتقييم كيفية تأثير حالات عدم اليقين على دقة الكشف، متجاوزة مجرد مقاييس الأداء البسيطة إلى تحليل أعمق لسبب تباين الأداء. ومن خلال استخدام (DST)، يجادل المؤلفون بضرورة وجود تمثيل أكثر دقة لعدم اليقين يستوعب كلاً من نقص المعرفة (المعرفي) والتباين المتأصل (العشوائي) دون الحاجة إلى احتمالات مسبقة يصعب تبريرها.

يقر المؤلفون بتواضع بعدة قيود:

الذاتية: يتضمن تعيين توزيعات الاحتمال الأساسية (BPAs) قدراً من الذاتية مما قد يؤدي إلى التحيز.
الطبيعة الساكنة: التحليل الحالي ساكن ولا يلتقط الديناميكيات الزمنية، والتي تعد بالغة الأهمية لاتخاذ القرار في الوقت الفعلي في البيئات الديناميكية.
الحساسية للافتراضات: النتائج حساسة للافتراضات الأولية والاختيار المحدد لقواعد الدمج في (DST).

يُقترح في العمل المستقبلي تحويل هذا الإطار الساكن إلى إطار ديناميكي، مع إمكانية دمج النماذج الزمنية مثل نماذج ماركوف المخفية (HMMs) أو الشبكات البايزية لتتبع انتشار عدم اليقين عبر الزمن، والتحقق من صحة هذه النماذج مقابل بيانات العالم الحقيقي.