💻 computer science

NARRATE: A Multimodal Real-World Australian Driving Dataset for Human-Centred Explanations in Automated Driving

تقدم الورقة البحثية NARRATE، وهي مجموعة بيانات قيادة أسترالية واقعية متعددة الوسائط تضم 2,050 حدثاً مشروحة ببيانات مستشعرات متزامنة وتفسيرات أنشأها السائقون، وذلك بهدف تطوير نماذج للقيادة الذاتية تتمحور حول الإنسان وتراعي المجال المعرفي.

المؤلفون الأصليون: Ashkan Yousefi Zadeh, Zishuo Zhu, Xiaomeng Li, Andry Rakotonirainy, Sebastien Glaser, Ronald Schroeter, Patricia Delhomme, Zahra Mehraban

نُشر 2026-08-18

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ashkan Yousefi Zadeh, Zishuo Zhu, Xiaomeng Li, Andry Rakotonirainy, Sebastien Glaser, Ronald Schroeter, Patricia Delhomme, Zahra Mehraban

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 تجلس في المقعد الخلفي لسيارة تقود نفسها بنفسها. تتباطأ المركبة، أو تنعطف، أو تتوقف، وتجد نفسك تتساءل عن السبب. لكي تشعر هذه التكنولوجيا بالأمان والموثوقية، يجب أن تكون قادرة على إخبارك بما تراه ولماذا تتخذ خطوة ما، باستخدام كلمات يمكن للراكب البشري فهمها بالفعل. إن الحاجة إلى التواصل الواضح هي جوهر مجال بحثي جديد يركز على جعل الذكاء الاصطناعي في السيارات قابلاً للتفسير. يحاول العلماء تعليم الآلات ليس فقط القيادة، بل سرد قراراتها بطريقة تطابق طريقة تفكير السائقين البشر. ويكمن التحدي في فهم الفجوة بين ما تحسبه الحواسب وما يلاحظه ويتوقعه الإنسان فعلياً على الطريق. ولجسر هذه الفجوة، يجب على الباحثين أولاً فهم كيف يشرح البشر أنفسهم خيارات القيادة الخاصة بهم في منتصف حركة المرور الحقيقية.

لقد اتخذ فريق من الباحثين في أستراليا خطوة كبيرة نحو حل هذا اللغز من خلال إنشاء مجموعة جديدة من بيانات القيادة الواقعية تسمى NARRATE. فبدلاً من الاعتماد على محاكاة الكمبيوتر أو سؤال الناس عما قد يفعلونه في عالم افتراضي، قام الفريق بتسجيل خمسة وثلاثين سائقاً خبيراً ومدرباً على القيادة وهم يقودون مسارات عادية عبر شوارع بريسبان. تم تجهيز السائقين بمركبة مليئة بالكاميرات والليزر وأجهزة الاستشعار التي التقطت كل تفصيل في الطريق، وحركة السيارة، والبيئة المحيطة. وبينما كانوا يقودون، طلب منهم الباحثون شرح أفعالهم في الوقت الفعلي، ثم مرة أخرى بعد الرحلة أثناء مشاهدة إعادة فيديو لما حدث للتو. هذا النهج المزدوج التقط كلاً من الأفكار السريعة والبديهية التي تراود السائقين أثناء وجودهم خلف المقود، والتأملات الأكثر تفصيلاً التي يقدمونها بمجرد زوال ضغط اللحظة.

تحتوي مجموعة البيانات الناتجة على ألفي وخمسين حدثاً محدداً من أحداث القيادة، كل منها مقترن بكلمات السائق نفسه التي تشرح ما رآه، وما فهمه عن الموقف، وما اعتقد أنه قد يحدث بعد ذلك. وقد نظم الباحثون هذه التفسيرات باستخدام إطار عمل يجزئ الوعي البشري إلى ثلاثة أجزاء: ملاحظة تفصيل ما، وفهم معنى ذلك التفصيل بالنسبة للقيادة الحالية، والتنبؤ بما يمكن أن يحدث في المستقبل. على سبيل المثال، قد يلاحظ السائق ضوء مرور يتحول إلى اللون الأصفر، ويفهم أنه بحاجة إلى التباطؤ، ويتوقع أن سيارة خلفه قد لا تتوقف في الوقت المناسب. ومن خلال وسم الكلمات المنطوقة للسائقين بهذه الطبقات من الوعي، أنشأ الفريق خريطة غنية لكيفية اتصال التفكير البشري بالعالم المادي.

عندما اختبر الباحثون ما إذا كانت نماذج الكمبيوتر يمكنها التعلم من هذه البيانات، وجدوا أن الآلات كانت جيدة جداً في تحديد الهيكل الأساسي للوعي البشري. فإذا قرأ النموذج تفسير السائق، كان بإمكانه تحديد ما إذا كان السائق يلاحظ شيئاً ما فحسب، أو يفهم معناه، أو يتوقع خطراً مستقبلياً. ومع ذلك، كشفت الدراسة أيضاً أن المهمة تصبح أصعب بكثير عندما يتعلق الأمر بالتفاصيل الدقيقة. فبينما استطاعت الحواسيب بسهما التعرف على فئات واسعة مثل "اتباع سيارة" أو "التوقف عند إشارة ضوئية"، إلا أنها واجهت صعوبة في التمييز بين اثنين وثلاثين نوعاً محدداً من مواقف القيادة بناءً على النص وحده. وبالمثل، عندما طُلب منها توليد تفسيرات جديدة من الصفر، أنتجت نماذج الكمبيوتر نصوصاً صحيحة لغوياً ولكنها غالباً ما افتقرت إلى الدقة الغنية بالسياق التي يوفرها السائقون البشر بشكل طبيعي.

تشير النتائج إلى أنه بينما يمكن للذكاء الاصطناعي تعلم الهيكل العظمي للتفكير البشري، فإنه لا يزال يفتقر إلى الإدراك العميق والبديهي للسياق الذي يأتي من سنوات من الخبرة في القيادة. تُظهر مجموعة البيانات أن التفسيرات البشرية ليست مجرد أوصاف للأفعال؛ بل هي منسوجة بالملاحظات للبيئة، وتفسيرات لمستخدمي الطريق الآخرين، وتوقعات للأحداث المستقبلية. وخلص الباحثون إلى أنه لكي تتمكن المركبات ذاتية القيادة من التواصل حقاً مع ركابها، فإنها تحتاج إلى تجاوز مجرد بيانات أجهزة الاستشعار البسيطة وتعلم التفكير بطريقة تحاكي العقل البشري. توفر مجموعة البيانات الجديدة هذه أساساً حاسماً لهذا العمل، حيث تقدم لمحة نادرة عن أفكار وكلمات السائقين الذين يعرفون الطرقات بشكل أفضل.

أبحاث مشابهة