UniTraffic-Agent: Unified Traffic Video Reasoning for AI City Challenge 2026 Track 3 with Two Out-of-Domain Evaluations

تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من مسرح جريمة، فإن دليلك هو فيديو فوضوي ومتحرك لشارع مزدحم في مدينة. هذا هو عالم فهم فيديوهات المرور، وهو مجال تحاول فيه الحواسيب استيعاب ما يحدث على طرقاتنا. لفترة طويلة، كانت الحواسيب بارعة في رصد جسم واحد، مثل سيارة حمراء أو لوحة توقف، في صورة ثابتة. لكن الحياة الواقعية ليست صورة فوتوغرافية؛ إنها فيلم. لفهم حادث مروري أو حالة كادت أن تؤدي إلى تصادم، يحتاج الكمبيوتر إلى القيام بما هو أكثر من مجرد "الرؤية"؛ عليه أن يشاهد، ويفكر، ويربط النقاط ببعضها عبر الزمن. عليه أن يكتشف من فعل ماذا، ولما فعله، ومتى حدث ذلك. هذا الأمر صعب لأن فيديوهات المرور فوضوية: قد تكون الكاميرا بعدسة عين سمكة غريبة، أو قد يحدث الفعل في أجزاء من الثانية، وقد يحتاج المقطع نفسه للإجابة عن أسئلة مختلفة تماماً. الهدف من هذا البحث هو بناء نظام حاسوبي يعمل كمحقق ذكي للغاية وصبور لا تفوته أي تفصيلة، بغض النظر عن كيفية إعداد الكاميرا.

إليك UniTraffic-Agent، وهو محقق رقمي جديد ابتكره فريق من الباحثين لمواجهة تحدي "استنتاج الشذوذ المروري". فكر في هذا الوكيل كونه محققاً عالي التنظيم لا يكتفي بمجرد إلقاء نظرة على الفيديو والتخمين، بل يتبع روتيناً صارماً من أربع خطوات: الملاحظة، الاستنتاج، التنفيذ، والتحقق.

أولاً، في مرحلة الملاحظة، يكون الوكيل ذكياً في كيفية نظرته للفيديو. فبدلاً من محاولة معالجة كل إطار (وهو أمر يشبه قراءة كل كلمة في كتاب بينما تحتاج فقط إلى ملخص الحبكة)، فإنه يختار اللحظات الأكثر أهمية. إذا كان السؤال يتعلق بشيء يحدث في وقت محدد، يقوم الوكيل بالتركيز على الثواني التي تسبق وتلي تلك اللحظة مباشرة، مع التقاط بعض الإطارات من البداية والنهاية للحفاظ على الصورة الكبيرة في ذهنه. إنه يشبه المحقق الذي يعرف بالضبط أي ثوانٍ من شريط المراقبة يجب أن يعيد تشغيلها للإمساك بالدليل الحاسم.

بعد ذلك يأتي الاستنتاج. هنا يتألق الوكيل. فغالباً ما يكون مرتبطاً بمقطع فيديو واحد العديد من الأسئلة، مثل "من تجاوز الإشارة؟" و"ما هي حالة الطقس؟" و"كم انتظرَت السيارة؟". الأنظمة القديمة قد تحاول الإجابة عن كل سؤال على حدة، مما قد يؤدي إلى تناقضات—مثل القول بأن السيارة كانت حمراء في إجابة وزرقاء في أخرى. أما UniTraffic-Agent فيفعل شيئاً مختلفاً: فهو يشاهد المقطع بأكمله مرة واحدة، ويبني قصة واحدة مشتركة عما حدث، ثم يستخدم هذه القصة نفسها للإجابة عن جميع الأسئلة في آن واحد. هذا يضمن أن قصة المحقق متسقة من البداية إلى النهاية.

ثم تبدأ مرحلة التنفيذ. تتطلب المهام المختلفة تنسيقات مختلفة. فقد تتطلب مهمة ما مجرد "نعم" أو "لا"، بينما تتطلب مهمة أخرى ملف JSON مفصلاً يحتوي على 13 حقلاً مختلفاً تصف مخالفة مرورية. يستخدم الوكيل "محولات" خاصة—تخيلها كأدوات ترجمة أو مشوهات شكل—لأخذ قصته المشتركة وإعادة تشكيلها لتناسب التنسيق المطلوب بدقة لكل وظيفة محددة.

أخيراً، تعمل خطوة التحقق كفاحص لضبط الجودة. فهي تراجع الإجابات، وتتأكد من تطابق الأسماء والأوقات، وإذا بدا أي شيء غريباً، تعود إلى إطارات الفيديو المخزنة للمحاولة مرة أخرى. تساعد آلية "إعادة المحاولة" هذه الوكيل على إصلاح أخطائه دون الحاجة إلى مساعدة بشرية.

اختبر الباحثون هذا الوكيل على ثلاثة أنواع مختلفة تماماً من فيديوهات المرور: لقطات مراقبة قياسية، وفيديوهات عدسة عين السمكة المشوهة، وفيديوهات كاميرا لوحة القيادة (الداش كام) من السيارات. كانت النتائج مبهرة. ففي مهمة عدسة عين السمكة، احتل الوكيل المركز الثاني من بين جميع المتنافسين، وفي مهمة نية المشاة، احتل المركز الرابع. وحتى في المهمة الرئيسية والأكثر صعوبة، جاء في المركز السادس عشر. وجد الفريق أنه بينما كان الوكيل ممتازاً في رصد الفاعلين والتدفق العام للأحداث، فإنه واجه أحياناً صعوبة في الأوصاف الطويلة والمفصلة جداً أو في تفسير الهندسة المشوهة لعدسات عين السمكة. ومع ذلك، تشير الدراسة إلى أنه من خلال الجمع بين الملاحظة الذكية وعملية الاستنتاج الموحدة، يمكننا بناء ذكاء اصطنا-مروري أكثر موثوقية واتساقاً من ذي قبل. إن الكود البرمجي لهذا "المحقق" متاح الآن للآخرين للتعلم منه وتحسينه.