Multimodal Driver Visual Load Assessment and Prediction under Dynamic Lighting Environments Using RaceGrid-OPTICS and WA-PSRSMformer
تقترح هذه الدراسة إطار عمل متعدد الوسائط يدمج بيانات حركة العين، والإضاءة، وسرعة المركبة مع خوارزمية تجميع مبتكرة من نوع RaceGrid-OPTICS ونموذج تعلم عميق من نوع WA-PSRSMformer لتقييم وتوقع الحمل البصري للسائق بدقة تحت ظروف الإضاءة الديناميكية، محققةً دقة بنسبة 90.13% في بيئات الأنفاق.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تعد القيادة عملية تفاوض مستمرة بين العقل البشري والطريق. بالنسبة لمعظمنا، يحدث هذا التفاوض دون تفكير واعٍ، لكنه يعتمد بشكل كبير على حاسة واحدة: البصر. فعندما تتغير الإضاءة فجأة — كالانتقال من طريق سريع مشمس ومشرق إلى داخل نفق معتم، أو القيادة عبر مقطع من الطريق حيث تتراقص ظلال الأشجار بسرعة عبر الزجاج الأمامي — يجب على العين والدماغ العمل بجهد مضاعف للتكيف. هذا الطلب المفاجئ على المعلومات البصرية يخلق حالة تُعرف باسم "الحمل البصري". وهو الجهد الذهني المطلوب لمعالجة ما تراه العين. وعندما يصبح هذا الحمل ثقيلاً للغاية، يمكن أن تتراجع قدرة السائق على ملاحظة المخاطر، والتعرف على الأشكال، والاستجابة للأخطار، مما يحول الرحلة الروتينية إلى خطر محتمل. وبينما نعلم أن تغيرات الإضاءة هذه تكون خطيرة، إلا أن فهم مدى الضغط الذهني الذي تضعه بدقة على السائق في الوقت الفعلي ظل أمراً صعب القياس.
قام فريق من الباحثين في جامعة "تشانغ آن" بتطوير طريقة جديدة للنظر في هذا الجهد الذهني غير المرئي. لقد سعوا لبناء نظام لا يمكنه فقط قياس الحمل البصري للسائق أثناء حدوثه، بل وأيضاً التنبؤ بالوقت الذي يوشك فيه على الارتفاع، وكل ذلك بينما تتحرك السيارة عبر إضاءة متغيرة ومعقدة. ولتحقيق ذلك، تجاوزوا البيئات الاصطناعية المحكومة لمحاكيات القيادة وانتقلوا بتجربتهم إلى طرق حقيقية. فقد استعانوا بعشرة سائقين وجهزوا سيارة سيدان عادية بمجموعة من المستشعرات: كاميرا قابلة للارتداء لتتبع أين ينظر السائق وكيف تتفاعل حدقتا عينيه، وكاميرا لوحة القيادة لتسجيل الطريق أمامهم، ومقياس للضوء لقياس سطوع البيئة بدقة. وقد سلك السائقون ثلاثة سيناريوهات متميزة: طريق طويل ومستقيم بإضاءة ثابتة، وقسم مظلل حيث تتراقص أشعة الشمس عبر الأشجار، ونفق حيث تتغير الإضاءة بشكل دراماتيكي من ضوء النهار الساطع إلى الظلام والعودة إليه مرة أخرى.
جمع الباحثون كمية هائلة من البيانات، وربطوا حركات أعين السائقين بتغير الضوء وسرعة السيارة. وركزوا على إشارات بيولوجية محددة، مثل حجم حدقة العين وسرعة تغيرها، بالإضافة إلى مكان تركيز النظر ومدى تكرار انتقال العين إلى نقاط جديدة. هذه الإشارات هي رد فعل الجسم الصادق تجاه عبء العمل الذهني؛ فعندما تكافح العين للتكيف مع تغير مفاجئ في الضوء، تتغير حدقة العين وأنماط النظر بطرق يمكن التنبؤ بها. ومع ذلك، فإن تحويل هذا التدفق الخام من الأرقام إلى صورة واضية لـ "الحمل العالي" أو "الحمل المنخفض" يعد لغزاً معقداً. استخدم الفريق أولاً طريقة متطورة لتجميع الأنماط المتشابهة معاً، مما علم الكمبيوتر فعلياً كيفية التمييز بين القيادة المسترخية والقيادة المرهقة دون الاعتماد على قواعد مسبقة الضبط. ووجدوا أن هذا النهج يمكنه بنجاح تصنيف البيانات إلى خمس مستويات متميزة من الحمل البصري، من الهدوء إلى الإجهاد الشديد.
بمجرد أن تمكن النظام من تحديد هذه الحالات، انتقل الباحثون إلى المهمة الأصعب وهي التنبؤ. أرادوا معرفة ما إذا كان بإمكان النظام النظر في البيانات الحالية وتخمين الحمل البصري للسائق بعد لحظات قليلة. اختبروا عدة نماذج حاسوبية مختلفة، بما في ذلك بعض النماذج الجيدة في رصد الأنماط في الصور، وأخرى مصممة لتذكر تسلسل الأحداث بمرور الوقت. وكان النهج الأكثر نجاحاً هو نوع من نماذج الذكاء الاصطناي المعروف باسم "ترانسفورمر" (Transformer)، وهو نموذج بارع بشكل خاص في فهم كيفية وقوع حدث ما نتيجة لحدث آخر في تسلسل طويل. ولجعل هذا النموذج أفضل لمواجهة تحدي القيادة المحدد، أضاف الفريق ثلاثة تحسينات رئيسية. أولاً، علموه أن يولي اهتماماً إضافياً للحظات التوتر النادرة، التي تحدث بشكل أقل تكراراً من القيادة الهادئة ولكنها الأكثر أهمية للإمساك بها. ثان، قاموا بتبسيط معالجته الداخلية بحيث يمكنه التعامل مع مسافات طويلة من بيانات القيادة دون أن يتعثر بالعمليات الحسابية غير الضرورية. وأخيراً، قاموا بتحسين استخدام الذاكرة لديه، مما يسمح له بالعمل بكفاءة على الأجهزة التي قد توجد في سيارة حقيقية.
كانت نتائج الاختبار في العالم الحقيقي مذهلة. ففي البيئة الأكثر تحدياً — النفق، حيث تتغير الإضاءة فجأة — تنبأ النظام الجديد بالحمل البصري للسائق بدقة تجاوزت 90 بالمائة. كان هذا أفضل بكثير من النماذج الأخرى التي اختبروها، والتي عانت لمواكبة التغيرات السريعة. كما كان النظام فعالاً بشكل ملحوظ، حيث عالج البيانات في جزء بسيط من الوقت الذي تتطلبه النماذج القديمة، وهو عامل حاسم لأي تقنية تحتاج إلى العمل فورياً في مركبة متحركة. وقد أكدت الدراسة أن الجمع بين بيانات تتبع العين، وقياسات الضوء، وسرعة المركبة يوفر صورة كاملة لإجهاد السائق. وأظهرت الدراسة أنه بينما تعد الطرق المستقيمة سهلة التنبؤ بشكل عام، فإن اللحظات التي يتم فيها دخول وخروج الأنفاق تخلق أكثر المتطلبات البصرية تعقيداً، وغالباً ما تدفع السائقين إلى حالات حمل بصري مرتفع يمكن للنظام اكتشافها واستباقها.
لا يقدم هذا العمل مجرد وسيلة لقياس التوتر، بل يقدم مخططاً لمستقبل أكثر أماناً. فمن خلال فهم كيف ترهق ظروف الإضاءة رؤية السائق، يمكن للمهندسين تصميم أنظمة تحذير أفضل تنبه السائقين قبل أن يصبحوا مثقلين بالأعباء. لقد أثبت النظام أنه من الممكن مراقبة عبء العمل الذهني غير المرئي للقيادة في الوقت الفعلي، باستخدام ردود الفعل الطبيعية للعين البشرية. ومع ازدياد تعقيد الطرق وتولي أنظمة القيادة الذاتية المزيد من المسؤوليات، سيكون امتلاك طريقة موثوقة لتقدير قدرة العنصر البشري على الرؤية والاستجابة أمراً ضرورياً. لقد أظهر الباحثون أنه باستخدام الأدوات المناسبة، يمكننا رؤية العبء غير المرئي للطريق، وربما من خلال القيام بذلك، نمنع الحوادث التي تقع عندما يصبح ذلك العبء ثقيلاً جداً بحيث لا يمكن حمله.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.