A Multi-Modal Perception Pipeline for Object Detection and Tracking in Autonomous Racing
تقدم هذه الورقة خط معالجة إدراكي متين للدمج المتأخر متعدد الوسائط يدمج بيانات الكاميرا، وLiDAR، والرادار مع إطار عمل تتبع متخصص لتحقيق كشف وتتبع موثوق للأجسام في سباقات القيادة الذاتية تحت ظروف السرعة العالية، والظروف الجوية السيئة، والحالات الحدية.
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 عالماً تتسابق فيه السيارات بسرعات تجعل سائق فورمولا 1 يتصبب عرقاً، ومع ذلك لا يوجد بشر خلف المقود. في هذه البيئة القاسية، تُقاس هوامش الخطأ بالبوصات والأجزاء من الألف من الثانية. ففي سرعات تقترب من 80 متراً في الثانية، يعني تأخير قدره عُشر ثانية فقط أن السيارة ستسافر مسافة تقارب ثمانية أمتار دون أن تعرف أين هي أو ما الذي يقع أمامها. هذا هو واقع سباقات السيارات ذاتية القيادة، وهو مجال يدفع تكنولوجيا الإدراك إلى أقصى حدودها. وللتنقل وسط هذه الفوضى، يجب على المركبة أن تعمل كعينيها وعقلها، حيث تمسح المضمار باستمرار للعثر على السيارات الأخرى، والتنبؤ بتحركاتها، واتخاذ القرار بشأن متى تسرع، أو تبطئ، أو تنحرف. التحدي لا يكمكم في الرؤية فح فقط، بل في الرؤية بوضوح عبر الحركة الضبابية، والمستشعرات المهتزة، والظهور المفاجئ للعوائق، كل ذلك أثناء العمل في ظروف قد تربك حتى أكثر الحواس البشرية تطوراً.
قام فريق من الباحثين من جامعة مودينا وريجيو إميليا، بالتعاون مع شركة HiPeRT Srl، بتطوير نظام جديد مصمم لحل هذه المشكلات من أجل دوري أبوظبي لسباقات السيارات ذاتية القيادة لعام 2025. يركز عملهم، الذي عُرض في ورقة بحثية حديثة، على "خط معالجة الإدراك" (perception pipeline) — وهو سلسلة معقدة من البرمجيات والأجهزة التي تحول البيانات الخام من مستشعرات السيارة إلى خريطة موثوقة للعالم. بني نهج الفريق على فكرة أنه لا يوجد نوع واحد من المستشعرات مثالي؛ فالكاميرات ممتازة في التعرف على الأشكال ولكنها تعاني مع المسافات في الظلام أو الطقس السيئ، ومستشعرات "ليدار" (LiDAR) التي تستخدم نبضات الليزر لبناء خريطة ثلاثية الأبعاد دقيقة ولكن يمكن أن تغمرها الغبار أو المطر، ووحدات "الرادار" (RADAR) رائعة في قياس السرعة ولكنها غالباً ما تفتقر إلى التفاصيل. أدرك الباحثون أنه للنجاة من فوضى السباق عالية السرعة، تحتاج السيارة إلى دمج كل هذه الحواس في رؤية واحدة موحدة، وهي طريقة يسمونها "الدمج المتأخر" (late fusion). وهذا يعني أن السيارة تعالج بيانات كل مستشعر بشكل مستقل أولاً، ثم تجمع النتائج معاً لتكوين صورة كاملة، بدلاً من محاولة دمج تدفقات البيانات الخام مباشرة.
المركبة المستخدمة في هذه الدراسة، وهي من طراز Dallara EAV-24، مجهزة بمجموعة متطورة من الأدوات: ثلاثة مستشعرات ليدار، وسبع كاميرات، وأربع وحدات رادار، وكلها متزامنة مع ساعة دقيقة. يعمل النظام من خلال جعل كل نوع من المستشعرات يبحث عن السيارات الأخرى بمفرده؛ حيث تستخدم الكاميرات شبكة عصبية لرصد الخطوط الخارجية ثنائية الأبعاد للمركبات في بث الفيديو، وتقوم مستشعرات الليدار بمسح الهواء بالليزر للعثور على الأشكال ثلاثية الأبعاد، بينما ترصد وحدات الرادار السرعة ووجود الأجسام بناءً على الموجات الراديوية. وبمجرد إجراء هذه الكشوفات المستقلة، تعمل وحدة "الدمج" في النظام كخاطبة (matchmaker)؛ إذ تنظر إلى البيانات من مستشعرات مختلفة وتتساءل: "هل هذه الكتلة من الليدار هي نفس السيارة التي يظهرها هذا الصندوق في الكاميرا؟". إذا تطابق التوقيت والموقع، يقوم النظام بدمجهما، مما يخلق تقديراً واحداً وقوياً لمكان السيارة الأخرى وسرعتها. هذه العملية حاسمة لأنه لو اعتمد النظام على مستشعر واحد فقط، فإن خللاً لحظياً أو نقطة عمياء قد تؤدي إلى فشل كارثي. ومن خلال الجمع بينها، يضمن النظام أنه إذا فشل مستشعر أو تم حجبه، يمكن للمستشعرات الأخرى الحفاظ على سلامة السيارة.
ومع ذلك، فإن رؤية السيارة هي نصف المعركة فقط؛ أما النصف الآخر فهو معرفة أين ستكون بعد جزء من الثانية. وجد الباحثون أنه عند سرعات السباق، يمكن لأي تأخير بسيط في المعالجة أن يجعل السيارة تعتقد أن العائق في مكان ما بينما يكون قد تحرك بالفعل عدة أمتار. ولحل هذه المشكلة، يتضمن نظام التتبع الخاص بهم آلية "تعويض التأخير" (delay compensation)؛ حيث ينظر النظام إلى اللحظة الدقيقة التي رأى فيها المستشعر جسماً ما ويحسب أين يجب أن يكون هذا الجسم الآن، مع مراعاة الوقت الذي استغرقته البيانات للانتقال عبر الكمبيوتر. علاوة على ذلك، لا يكتفي النظام بالتخمين، بل يستخدم فهماً عميقاً لكيفية سلوك سيارات السباق؛ فهو يعلم أن السيارات تتبع عموماً مسارات محددة حول المضمار، تسمى "خطوط السباق"، وأنها تبطئ عند المنعطفات وتسرع في الخطوط المستقيمة. ومن خلال تغذية هذه المعرفة في حساباته، يمكن للنظام التنبؤ بالموقع المستقبلي للسيارة بدقة أكبر بكما لو استخدم نظام تتبع قياسي يفترض أن السيارات تتحرك في خطوط مستقيمة وبسرعات ثابتة.
اختبر الفريق هذا النظام في ظروف واقعية خلال حدث السباق لعام 2025، حيث وضعوا سيارتهم ذاتية القيادة في مواجهة سيارات أخرى في حلبة ياس مارينا. وضعوا النظام تحت اختبار ثلاثة سيناريوهات محددة وعالية الضغط لمعرفة مدى صموده. في الاختبار الأول، قاموا بمحاكاة توقف سيارة فجأة على المضمار بينما كانت المركبة ذاتية القيادة تقترب بسرعة عالية؛ فقد رصد النظام السيارة المتوقفة من مسافة 80 متراً تقريباً، وفي غضون بضع مئات من الأجزاء من الثانية، قدر بشكل صحيح أنها لا تتحرك، مما منح برنامج التخطيط وقتاً كافياً للكبح أو الانحراف بأمان. في السيناريو الثاني، اختبروا كيفية تعامل النظام مع حالة "النقطة العمياء" حيث تحجب إحدى السيارات رؤية سيارة أخرى؛ وعندما تحركت السيارة الحاجبة، رصد النظام المركبة التي ظهرت للتو وبدأ في تتبعها دون تردد، مما أثبت قدرته على التعامل مع الظهور المفاجئ للعوائق. وأخيراً، اختبروا عملية تجاوز جنباً إلى جنب، حيث تسابقت سيارتان على مسافة بوصات قليلة؛ وبينما أظهر النظام انحيازاً طفيفاً في تقدير الموقع الدقيق للسيارة الأخرى اعتماداً على ما إذا كانت أمامها أو خلفها، إلا أن الدقة الإجمالية كانت كافية لإتمام المناورة دون تصادم.
أكدت نتائج هذه الاختبارات أن الجمع بين مستشعرات متعددة هو أفضل بكثير من الاعتماد على نوع واحد فقط. فعندما أزال الباحثون مستشعرات الليدار من المعادلة، انخفضت قدرة النظام على تقدير المسافة بشكل كبير، وعندما أزالوا الرادار، عانى النظام في تخمين سرعة السيارات الأخرى بدقة. وفقط عندما عملت أنواع المستشعرات الثلاثة معاً، حقق النظام أفضل توازن بين الدقة والمدى. وتخلص الدراسة إلى أنه لكي تعمل المركبات ذاتية القيادة بأمان في السرعات القصوى، يجب ألا تكتفي برؤية العالم من خلال عيون متعددة فحسب، بل يجب أن تفكر في العالم بطريقة تراعي فيزياء السباق. ورغم أن النظام ليس مثالياً — إذ لا يزال يعاني قليلاً مع الهندسة الدقيقة للسيارة عند رؤيتها من الجانب — إلا أنه يمثل خطوة كبيرة للأمام. فهو يثبت أنه من خلال دمج أنواع مختلفة من البيانات وفهم سياق السباق، يمكن للآلات أن تتعلم كيفية التنقل في أكثر البيئات خطورة ومتطلبات على وجه الأرض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.