A General Set-Based Framework for Cognitive State Estimation: Theory and Application to Conditionally Automated Driving

تخيل أنك تحاول قيادة سيارة يمكنها توجيه نفسها، ولكن فقط إذا كنت منتبهاً. هذا هو عالم القيادة الآلية من "المستوى الثالث": السيارة تقوم بالعمل الشاق، لكن السائق البشري هو شبكة الأمان، المستعد للإمساك بالمقود إذا ساءت الأمور. المشكلة الكبيرة؟ البشر مخادعون. أحياناً نثق في السيارة أكثر من اللازم فنفقد التركيز؛ وأحياناً أخرى، نصاب بالذعر ونتدخل في وقت مبكر جداً. ولجعل هذه السيارات آمنة، يحتاج الكمبيوتر إلى معرفة ما يدور داخل رأس السائق — وتحديداً، مقدار ثقته في السيارة، ومدى الخطورة التي يراها في الموقف، ومدى شعوره بالتوتر. يسمى هذا المجال من الدراسة "التفاعل بين الإنسان والأتمتة". لفترة طويلة، حاول العلماء تخمين هذه الحالات الذهنية باستخدام رياضيات تفترض أن السلوك البشري يتبع "منحنى جرس" متوقعاً للرندمية، مثل رمي النرد. لكن البشر ليسوا أحجار نرد؛ نحن فوضويون، ولا نملك دائماً بيانات كافية لرمي النرد مرات كافية لمعرفة النمط.

يقدم هذا البحث طريقة جديدة ذكية لتخمين ما يفكر فيه السائق دون الحاجة إلى معرفة "قواعد النرد". فبدلاً من تخمين الاحتمالات، يستخدم الباحثون نهجاً "قائماً على المجموعات" (set-based). فكر في الأمر كأنها لعبة "ساخن أو بارد" تُلعَب باستخدام صندوق يتقلص. بدلاً من القول: "هناك احتمال 70% أن السائق متوتر"، يقول النظام: "مستوى توتر السائق موجود بالتأكيد في مكان ما داخل هذا الصندوق المحدد". ومع تفاعل السائق مع السيارة، يصبح الصندوق أصغر وأكثر دقة. اختبر الباحثون هذا في محاكي قيادة مع 20 متطوعاً، وطلبوا منهم القيادة بينما تتولى السيارة المهمة. ووجدوا أن طريقة "الصندوق المتقلص" هذه كانت أفضل في التنبؤ بموعد استعادة السائق للمقود من الطرق التقليدية القائمة على "رمي النرد"، خاصة عند النظر إلى المستقبل البعيد.

قصة الورقة البحثية: محقق بصندوق يتقلص

المشكلة: النرد لا يرمي بشكل صحيح
تعتمد معظم المحاولات السابقة لقراءة عقل السائق على الاحتمالات. إنهم يفترضون أنه إذا كان السائق متوتراً، فذلك يشبه رمي نرد تظهر فيه نتيجة "التوتر" بنسبة 30% من الوقت. ولكي يعمل هذا، تحتاج إلى كمية هائلة من البيانات لتحديد كيفية ترجيح كفة النرد. ولكن في الحياة الواقعية، لا تملك ملايين التجارب في القيادة لكل شخص على حدة. بالإضافة إلى ذلك، فإن الأفكار البشرية لا تتبع دائماً منحنيات سلسة ومنظمة. أحياناً، قد يكون السائق هادئاً تماماً حتى تظهر منطقة أعمال طرق، وفجأة يصبح في حالة تأهب قصوى. تعاني الطرق القديمة مع هذه القفزات المفاجئة ونقص البيانات.

الفكرة الجديدة: حصر المجهول
يقترح المؤلفان، سيبيبالان جيفاناندام ونيرا جين، استراتيجية مختلفة. بدلاً من السؤال: "ما هي فرصة كون السائق متوتراً؟"، يسألون: "ما هو نطاق الاحتمالات الذي يتوافق مع ما نراه؟"

تخيل أنك تحاول العثور على قطة مفقودة في منزل مظلم.

• الطريقة القديمة (الاحتمالية): تخمن أن القطة بنسبة 80% في المطبخ، و15% في غرفة النوم، و5% في المرآب. أنت بحاجة إلى الكثير من البيانات السابقة حول الأماكن التي تختبئ فيها القطط عادةً لجعل هذه التخمينات.
• الطريقة الجديدة (القائمة على المجموعات): لا تخمن الاحتمالات. بدلاً من ذلك، ترسم صندوقاً حول المطبخ. تقول: "نحن نعلم بالتأكيد أن القطة موجودة في مكان ما داخل هذا الصندوق". ومع سماع مواء أو رؤية أثر قدم، يتقلص الصندوق. إذا كانت القطة في المطبخ بالتأكيد، يتقلص الصندوق ليصبح مجرد المطبخ. وإذا سمعت مواءً من الردهة، يتوسع الصندوق ليشمل الردهة. أنت لا تحتاج أبداً لمعرفة "احتمالية" وجود القطة هناك؛ تحتاج فقط لمعرفة أن الصندوق كبير بما يكفي للإمساك بالقطة، ولكنه صغير بما يكفي ليكون مفيداً.

في هذه الورقة، "القط" هو الحالة الذهنية للسائق (الثقة، المخاطرة المدركة، وعبء العمل). و"الصندوق" هو مجموعة رياضية تحتوي على جميع القيم الممكنة لهذه الحالات. يعامل الباحثون العوامل غير المعروفة (مثل التشتت المفاجئ أو الأفكار غير المقاسة) على أنها "مجهولة ولكن محصورة". هم لا يعرفون بالضبط مقدار شرود ذهن السائق، لكنهم يعرفون أنه لن يشرد "خارج الكوكب". لذا، يرسمون صندوقاً كبيراً بما يكفي لتغطية ذلك الشرود، ثم يقلصونه مع الحصول على المزيد من القرائن.

كيف يعمل المحقق
يعمل النظام كأنه محقق يحل لغزاً بطريقتين:

1. قرينة "التقرير الذاتي": بين الحين والآخر، يُسأل السائق: "إلى أي مدى تثق في السيارة؟" أو "ما مدى خطورة هذا الموقف؟". يجيب السائق على مقياس (مثل 0 إلى 100). هذا الجزء غير دقيق لأن السائق قد يقرب إجابته أو يكون منحازاً قليلاً. يأخذ النظام هذه الإجابة ويرسم "مجموعة ممكنة" (صندوقاً) حولها.
2. قرينة "الاعتماد": القرينة الأكثر أهمية هي ما يفعله السائق. هل ترك السيارة تقود (الاعتماد = 1)، أم استعاد المقود (الاعتماد = 0)؟ هذه قرينة ثنائية: نعم أو لا. يستخدم النظام خريطة خاصة (شجرة قرار) لمعرفة أي الحالات الذهنية تؤدي إلى أي فعل. على سبيل المثال، قد تقول الخريطة: "إذا كانت الثقة عالية والمخاطرة منخفضة، فإن السائق سيعتمد على السيارة".

من خلال الجمع بين هذه القرائن، يقوم النظام بتحديث صندوقه. إذا قال السائق "أنا أثق في السيارة كثيراً" (تقرير ذاتي) ولكنه استعاد المقود فوراً (اعتماد)، يدرك النظام أن هناك خطأ ما في صندوقه الحالي. يقوم بتقليص الصندوق للعثستقرار في مكان جديد تتوافق فيه كلتا القرينتين. إذا أصبح الصندوق فارغاً في أي وقت (بمعنى عدم وجود حالة ذهنية ممكنة تتوافق مع القرائن)، يدرك النظام أن خريطته خاطئة ويعيد رسم الخريطة بالكامل باستخدام البيانات الجديدة.

التجربة: اختبار المحاكي
لاختبار ذلك، وضع الباحثون 20 شخصاً في محاكي قيادة. تم ضبط السيارة على مستوى أتمتة ثالث، مما يعني أنها تستطيع القيادة بنفسها، ولكن يجب على السائق أن يكون مستعداً للتولّي. تضمن المسار "مناطق أعمال طرق" (تعقيد عالٍ) وطرقاً عادية (تعقيد منخفض).

• كان على السائقين اتخاذ قرار بشأن ما إذا كانوا سيتركون السيارة تقود أو سيقودون بأنفسهم.
• كل بضع دقائق، يتوقفون عند إشارة حمراء ويجيبون على أسئلة حول ثقتهم، ومخاطرهم، وعبء العمل لديهم.
• استخدم الباحثون النصف الأول من الرحلة لـ "تدريب" النظام (رسم الخرائط والصناديق الأولية) والنصف الثاني لاختبار قدرة النظام على تخمين حالة السائق في الوقت الفعلي.

ماذا وجدوا
كانت النتائج واعدة. نجحت طريقة "الصندوق المتقلص" بشكل جيد لمعظم المشاركين:

• الاتساق: بالنسبة لحوالي 80% من المشاركين، نجح صندوق النظام في احتواء الحالة الذهنية الفعلية للسائق 75% من الوقت على الأقل. وبالنسبة لأربعة مشاركين، كان الاتساق بنسبة 100%.
• السرعة: كان النظام سريعاً، حيث قام بحساب الصنادي_ الجديدة في حوالي 0.03 إلى 0.07 ثانية، وهو أسرع بكثير من الفواصل الزمنية البالغة ثانية واحدة بين نقاط البيانات. وهذا يعني أنه يمكن تشغيله في الوقت الفعلي في سيارة حقيقية.
• قدرة التنبؤ: كان الفوز الأكبر هو التنبؤ بالمستقبل. سأل الباحثون: "هل يمكننا تخمين ما إذا كان السائق سيستعيد المقود بعد 15، 30، 45، أو 60 ثانية من الآن؟"
  • كانت الطريقة الجديدة القائمة على المجموعات هي الأفضل في التنبؤ.
  • مع زيادة وقت التنبؤ (مثلاً، 60 ثانية للأمام)، أصبحت الطريقة الجديدة أفضل مقارنة بالطرق القديمة.
  • الطريقة التقليدية "مرشح الجسيمات" (المنهج الاحتمالي) أصبحت أسوأ بمرور الوقت. يشير المؤلفون إلى أن افتراضات الطريقة القديمة حول "الضجيج" (العشوائية) تراكمت الأخطاء بمرور الوقت، بينما ظلت "صناديق" الطريقة القائمة على المجموعات ضيقة ودقيقة من خلال استخدام تاريخ أفعال السائق لتقييد الاحتمالات.

لماذا يهم هذا الأمر
تشير هذه الورقة إلى أننا لسنا بحاجة لمعرفة "الاحتمالية" الدقيقة لأفكار الإنسان لبناء سيارات مؤتمتة آمنة. نحتاج فقط لمعرفة حدود تلك الأفكار. من خلال استخدام إطار عمل قائم على المجموعات، يمكن للنظام التكيف مع السائقين الأفراد، والتعامل مع البيانات الفوضوية، والتنبؤ بالسلوك المستقبلي بدقة أكبر من الطرق الحالية. إنها خطوة نحو سيارات لا تقود نفسها فحسب، بل تفهم حقاً الإنسان الجالس بجانبها، وتعدل سلوكها للحفاظ على سلامة الجميع. يشير المؤلفون إلى أنه بينما يعمل هذا بشكل جيد في المحاكي، فإن الخطوة التالية هي معرفة ما إذا كان بإمكانه التعامل مع فوضى القيادة في العالم الحقيقي واستخدامه لتعديل مستوى أتمتة السيارة تلقائياً لإبقاء السائق منتبهاً.