💻 computer science

Safety-Centered Scenario Generation for Autonomous Vehicles

تقدم هذه الورقة إطار عمل لتوليد السيناريوهات المتمحور حول السلامة، والذي يعمل على إنشاء مواقف قيادة متنوعة، ومعلمية، وحرجة للتحقق بشكل منهجي من ميزات سلامة المركبات ذاتية القيادة من خلال المحاكاة، مما يضمن إمكانية التتبع لمتطلبات معيار ISO 26262 ويوفر مقاييس كمية للامتثال التنظيمي المتسارع ومنخفض التكلفة.

المؤلفون الأصليون: Kiruthiga Chandra Shekar, Aliasghar Moj Arab

نُشر 2026-03-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Kiruthiga Chandra Shekar, Aliasghar Moj Arab

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 تقوم بتعليم روبوت جديد تمامًا كيفية قيادة سيارة. لا يمكنك ببساطة تركه ينطلق في طريق سريع مزدحم لـ "يتعلم من خلال التجربة والخطأ" — فهذا سيكون أمرًا خطيرًا وفوضويًا. بدلاً من ذلك، أنت بحاجة إلى مدرسة تعليم قيادة خارقة حيث يمكنك محاكاة كل سيناريو كابوسي ممكن بأمان دون أن يتأذى أي شخص.

هذه الورقة البحثية تتحدث عن بناء تلك المدرسة الخارقة. إليك تفاصيل كيفية قيام المؤلفين بذلك، باستخدام بعض التشبيهات من الحياة اليومية.

1. المشكلة: قضية "إبرة في كومة قش"

القيادة مليئة بالمفاجآت. قد يركض طفل في الشارع، أو قد يقطع عليك أحد السيارات الطريق، أو قد يبدأ المطر بالهطول بغزارة. تسمى هذه "الحالات الحدية" (Edge Cases) — وهي لحظات نادرة وخطيرة تحدث نادرًا في الحياة الواقعية.

التشبيه: تخيل أنك تحاول تعلم السباحة من خلال التدرب فقط في مسبح هادئ وفارغ. ستكون بارعًا في المياه الهادئة، ولكن إذا أُلقيت في محيط عاصف مع سمكة قرش، فستصاب بالذعر.
المشكلة: البيانات في العالم الحقيقي (سجلات السيارات الفعلية) تشبه مكتبة من الأيام الهادئة. فهي نادرًا ما تحتوي على بيانات "المحيط العاصف". إذا دربت الروبوت فقط على الأيام الهادئة، فسوف يفشل عندما تضرب العاصفة.

2. الحل: "طباخ السيناريوهات الذكي"

ابتكر المؤلفون نظامًا يعمل مثل طباخ مبدع لا يكتفي باتباع الوصفة فحسب، بل يخترع أطباقًا جديدة وخطيرة لاختبار قدرة معدة الروبوت.

كيف يعمل:
1. القائمة (HARA): أولاً، يستخدمون قائمة تحقق من السلامة تسمى HARA (تحليل المخاطر وتقييمها). فكر في هذا كقائمة لـ "ما الذي يمكن أن يحدث بشكل خاطئ؟" (مثل: "ماذا لو قفز أحد المشاة إلى الطريق؟").
2. الطباخ (الذكاء الاصطناعي): يقومون بتغذية هذا الذكاء الاصطناعي بهذه القائمة. يعمل الذكاء الاصطناعي مثل طباخ يأخذ فكرة "قفز مشاة" ويكتب فورًا الكود البرمجي لإنشاء ذلك المشهد بدقة داخل لعبة فيديو.
3. المطبخ (CARLA): يكتب الذكاء الاصطناعي الكود الخاص بمحاكي يسمى CARLA (وهي لعبة فيديو متطورة للقيادة). هذا هو المطبخ حيث تتم عملية الطبخ.

3. العملية: "تجربة القيلمليونية الدولارية"

بدلاً من اختبار السيارة مرة واحدة، يقوم النظام بتشغيل أكثر من 1,000 نسخة مختلفة من نفس الموقف المرعب.

التشبيه: تخيل أنك تختبر مظلة (باراشوت). لن تقفز مرة واحدة فقط، بل ستقفز 1,000 مرة، مع تغيير سرعة الرياح، والارتفاع، ووزن القافز، ولون المظلة في كل مرة.
ما الذي قاموا بتغييره: في المحاكاة، قاموا بتعديل خمسة أشياء في كل اختبار:
- سرعة السيارة.
- سرعة ركض المشاة.
- زاوية اقترابهم.
- المسافة التي بدأوا منها.
- وقت ظهورهم.

لقد غطوا 100% من التشكيلات الممكنة لهذه العوامل. الأمر يشبه فحص كل مربع واحد في رقعة الشطرنج للتأكد من أن الروبوت يعرف كيف يتحرك في أي وضع.

4. النتائج: "شهادة التقدير"

بعد تشغيل عمليات المحاكاة، منح النظام الروبوت شهادة تقدير. لم يكتفِ النظام بقول "ناجح" أو "راسب"، بل أعطى مقاييس محددة:

وقت التصادم (TTC): كم ثانية امتلك الروبوت لرد الفعل قبل الاصطدام بشيء ما؟
الحد الأدنى للمسافة: ما هي أقرب مسافة وصل إليها من "الاصطدام" قبل التوقف؟
الكبح: هل ضغط على المكابح بقوة شديدة، أم كان الكبح سلسًا؟

النتائج:

كان الروبوت جيدًا بشكل عام في التوقف.
ومع ذلك، واجه صعوبة أكبر عندما تحدث الأشياء بسرعة (سرعة عالية) أو عندما تكون الزوايا صعبة (مثل دراجة هوائية تأتي من زاوية غريبة).
وجد النظام أنه في حوالي 33% من الاختبارات، دخل الروبوت في "منطقة حرجة" حيث كان لديه أقل من 1.2 ثانية لرد الفعل. وهذا يخبر المهندسين بالضبط أين يجب إصلاح البرمجيات.

5. لماذا يهم هذا: التوازن بين "السرعة والسلامة"

تقارن الورقة البحثية طريقتهم الجديدة المعتمدة على الذكاء الاصطناعي بالطرق القديمة للاختبار:

الطريقة القديمة (يدوية): يكتب خبير بشري الكود الخاص بالاختبار. يستغرق الأمر 45 ساعة لعمل 1,000 اختبار. إنها طريقة بطيئة وتفتقد الكثير من السيناريوهات الغريبة.
الطريقة الجديدة (الذكاء الاصطناعي): يصنع الذكاء الاصطناعي 1,000 اختبار في 2.3 ساعة فقط. وقد وجد 23 حالة حدية فريدة فاتَت البشر.

الصورة الكبيرة

فكر في هذا الإطار العملي كأنه آلة زمن للسلامة. بدلاً من انتظار وقوع حادث حقيقي للتعلم منه، يقوم هذا النظام بإنشاء آلاف الحوادث الـ "ماذا لو" في جهاز الكمبيوتر.

إنه يسمح للمهندسين بالقول: "نحن نعلم أن هذا الروبوت يمكنه التعامل مع يوم ممطر، وطفل يركض، وتوقف مفاجئ، لأننا اختبرناه بالفعل 1,000 مرة في عالم افتراضي". وهذا يجعل الطريق أكثر أمانًا للجميع قبل أن تغادر السيارة المصنع أصلًا.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "توليد السيناريوهات المتمحور حول السلامة للمركبات ذاتية القيادة" من إعداد كيروثيجا شاندرا شيكار وألياسغار عرب.

1. بيان المشكلة

يواجه نشر المركبات ذاتية القيادة (AVs) عقبات كبيرة في التحقق من السلامة بسبب التعقيد الهائل لبيئات القيادة في العالم الحقيقي. وتشمل التحديات الرئيسية ما يلي:

تعقيد السيناريو: يجب على المركبات ذاتية القيادة التنقل عبر ظروف جوية متنوعة، وهندسات طرق مختلفة، وتفاعلات ديناميكية مع مستخدمي الطريق الآخرين.
ندرة الحالات الحدية (Edge Cases): تحدث الحالات عالية المخاطر والنادرة (مثل عبور المشاة المفاجئ، أو التداخل العدواني من السيارات الأخرى) بشكل غير متكرر في بيانات العالم الحقيقي، مما يجعل من الصعب التقاطها لأغراض التدريب والاختبار.
محدودية الاختبار: الاختبار الفيزيائي محفوف بالمخاطر، ومكلف، وغير فعال حوسبياً. كما تعاني طرق المحاكاة الحالية غالباً من تغطية محدودة للسيناريوهات، ونقص في الواقعية، والفشل في ربط حالات الاختبار بشكل منهجي بأهداف السلامة الرسمية (مثل معيار ISO 26262).
الاختناقات اليدوية: إن إنشاء سيناريوهات الاختبار يدوياً يستغرق وقتاً طويلاً، وهو عرضة للخطأ البشري، ويصعب توسيع نطاقه.

تعالج الورقة الحاجة إلى إطار عمل قابل للتوسع، ومؤتمت، ومتمحور حول السلامة لتوليد سيناريوهات قيادة متنوعة، ومعلمية (parametrized)، وحرجة للتحقق بصرامة من ميزات سلامة المركبات ذاتية القيادة.

2. المنهجية

يقترح المؤلفون إطار عمل يدمج تحليل المخاطر وتقييمها (HARA) مع توليد الكود المدعوم بالذكاء الاصطناائي داخل بيئة المحاكاة CARLA.

أ. نظرة عامة على البنية التحتية

يتبع سير العمل عملية مكونة من ثلاث مراحل:

تكامل HARA: يتم أولاً تحديد السيناريوهات الحرجة للسلامة باستخدام أوصاف باللغة الطبيعية مستمدة من تحليل HARA. تحدد هذه الأوصاف المخاطر، وأهداف السلامة، ومعايير المخاطر.
توليد الكود القائم على الذكاء الاصطناعي: يقوم نموذج لغوي كبير (LLM)، تم ضبطه بدقة لتوليد السيناريوهات، بتحويل أوصاف HARA باللغة الطبيعية إلى كود Python قابل للتنفيذ ومتوافق مع CARLA.
- المدخلات: قوالب مهيكلة تشمل نوع السيناريو، والجهات الفاعلة (المركبة، المشاة، إلخ)، والظروف البيئية، وأحداث التفعيل، ونطاقات المعلمات.
- المخرجات: سكربتات Python تقوم بإنشاء الجهات الفاعلة، وبرمجة سلوكياتهم، وتكوين المستشعرات، وإعداد السجلات (logging).
المحاكاة والتحليل: يتم تشغيل الكود المولد في بيئة CARLA (الإصدار 0.9.10) في "وضع بدون واجهة رسومية" (headless mode) لرفع الكفاءة الحوسبية إلى أقصى حد. يقوم النظام بتسجيل بيانات كمية للمعالجة اللاحقة.

ب. معلمة السيناريو والتغطية

لضمان الاختبار الصارم، يحدد إطار العمل مؤشر تغطية السيناريو (SCI) بناءً على فضاء معلمات خماسي الأبعاد:

المعلمات: سرعة المركبة ( $v_v$ )، سرعة المشاة/راكبي الدراجات ( $v_p$ )، زاوية الاقتراب ( $\theta$ )، المسافة الأولية ( $d$ )، ووقت الظهور ( $t$ ).
التقسيم (Discretization): يتم تقسيم كل معلمة إلى فئات منفصلة (على سبيل المثال، 7 فئات للسرعة، 9 فئات للمسافة).
صياغة المقياس: يحسب مؤشر SCI نسبة الفئات التي تم اختبارها إلى إجمالي الفئات المحددة، مع وزن كل معلمة حسب أهميتها لمخاطر التصادم.
- الصيغة: $SCI = \sum w_j \cdot \frac{N_{tested}(p_j)}{N_{bins}(p_j)}$
- الهدف: الوصول إلى SCI قريب من 1.0، مما يشير إلى الاستكشاف الكامل لفضاء المعلمات الحرج للسلامة.

ج. مقاييس السلامة

يحسب إطار العمل مقاييس كمية لتقييم أداء المركبة ذاتية القيادة:

الوقت حتى التصادم (TTC): القرب الزمني من وقوع حادث.
الحد الأدنى للمسافة ( $D_{min}$ ): القرب المكاني.
وقت ما بعد التجاوز (PET): الفاصل الزمني بين المركبة وعائق مر بنقطة الصراع.
انتهاكات العتبة: الحالات التي ينخفض فيها TTC عن حدود السلامة الحرجة (مثل < 1.2 ثانية).
شدة التصادم: سرعة التأثير ونوع التصادم.

3. المساهمات الرئيسية

التوليد الآلي للسيناريوهات: مسار مبتكر يستخدم النماذج اللغوية الكبيرة (LLMs) لترجمة متطلبات السلامة المستمدة من HARA مباشرة إلى كود محاكاة، مما يقلل الجهد اليدوي بمراحل كبيرة.
التتبع لمتطلبات السلامة: يربط إطار العمل السيناريوهات المولدة صراحةً بمتطلبات السلامة الوظيفية ISO 26262 وأهداف السلامة المستمدة من HARA، مما يضمن التتبع التنظيمي.
مقياس تغطية كمي: تقديم مؤشر تغطية السيناريو (SCI) كطريقة رياضية لقياس اكتمال اختبار السلامة عبر فضاء معلمات محدد.
التحقق القابل للتوسع: من خلال استخدام المحاكاة بدون واجهة رسومية والمعالجة المتوازية، يمكن للنظام تنفيذ آلاف السيناريوهات بكفاءة، مما يتيح الموثوقية الإحصائية في تقييم السلامة.

4. النتائج

تم تقييم إطار العمل باستخدام وحدة القيادة الآلية في CARLA عبر 1,024 سيناريو تم تنفيذه (بما في ذلك سيناريوهات المركبة-إلى-المركبة، والمستخدمين الضعفاء على الطريق).

أداء التغطية:
- حقق إطار العمل تغطية كاملة لفضاء المعلمات (SCI = 1.0) عبر جميع الفئات المحددة للسرعة، والزاوية، والمسافة، والوقت.
- تم اختبار 87% من مجموعات المعلمات الحرجة عالية المخاطر بنجاح.
مقاييس السلامة:
- معدل التصادم: 12.4% (127 تصادماً من أصل 1,024 تشغيل).
- متوسط الوقت حتى التصادم (Mean TTC): 3.42 ثانية.
- انتهاكات العتبة: 33.4% من السيناريوهات سجلت TTC < 1.2 ثانية، مما يشير إلى مواقف سلامة حرجة تتطلب إجراءات تفادي.
- ارتباط المخاطر: ارتبطت السرعات العالية للمركبة (> 30 كم/ساعة) وزوايا العبور الحادة (30°–45°) بقوة بانخفاض هوامش السلامة وزيادة احتمالية التصادم.
المقارنة المرجعية (الذكاء الاصطناعي مقابل اليدوي مقابل القائم على القواعد):
- الكفاءة: قام أسلوب الذكاء الاصطناعي بتوليد 1,000 سيناريو في 2.3 ساعة، مقارنة بـ 45 ساعة (يدوي) و8.5 ساعة (قائم على القواعد). وهذا يمثل تسريعاً بمقدار 19.6 ضعفاً مقارنة بالتوليد اليدوي.
- التنوع: حقق الذكاء الاصطناعي SCI = 1.0، متفوقاً على الطريقة اليدوية (0.68) والطريقة القائمة على القواعد (0.82).
- الحالات الحدية: حدد الذكاء الاصطناعي 23 حالة حدية فريدة، وهو رقم أعلى بكثير من الطريقة اليدوية (8) أو القائمة على القواعد (12).
- جودة الكود: حقق الكود المولد بواسطة الذكاء الاصطناعي صحة نحوية بنسبة 94.2%، وهي نسبة تضاهي الكود الذي راجعه البشر.

5. الأهمية

تقدم هذه الورقة نهجاً تحولياً للتحقق من سلامة المركبات ذاتية القيادة من خلال سد الفجوة بين هندسة السلامة الوظيفية (HARA) والمحاكاة المؤتمتة.

تسريع التحقق: يتيح الاختصار الهائل للوقت المطلوب لتوليد وتشغيل سيناريوهات متنوعة دورات تطوير أسرع للمركبات ذاتية القيادة.
التقييم المنهجي للمخاطر: من خلال الانتقال من الاختبار العشوائي إلى نهج مهيكل مدفوع بالمعلمات، يضمن إطار العمل أن ادعاءات السلامة مدعومة ببيانات شاملة تغطي كامل نطاق التصميم التشغيلي (ODD).
الثقة التنظيمية: توفر القدرة على تتبع حالات الاختبار وصولاً إلى أهداف سلامة محددة وتقديم مقاييس كمية (TTC، SCI) أدلة قوية للهيئات التنظيمية وأصحاب المصلحة.
جاهزية المستقبل: يدعم التصميم المعياري التكامل المستقبلي مع وكلاء التعلم التعزيزي (RL)، واختبارات "الإنسان في الحلقة" (HIL)، وأدوات تحليل سلامة الذكاء الاصطناعي المتقدمة.

في الختام، يثبت إطار العمل المقترح أن توليد السيناريوهات المدعوم بالذكاء الاصطناعي ليس ممكناً فحسب، بل هو متفوق على الطرق التقليدية من حيث السرعة، والتغطية، والقدرة على كشف الحالات الحدية الحرجة، مما يعزز بشكل كبير ضمان سلامة المركبات ذاتية القيادة.