Artificial Neural Expert System based YOLO$_{Gen_1}$ detector for Autonomous Driving Problem

تتطلب قيادة السيارة حواراً مستمراً وسريعاً بين السائق والطريق. فالعينان تمسحان الطريق بحثاً عن المخاطر، والدماغ يعالج معنى ضوء وامض أو توقف مفاجئ، واليدان تنفذان الدوران أو الكبح اللازمين. ولعقود من الزمن، حاول المهندسون منح الآلات هذه القدرة ذاتها، عبر بناء أنظمة يمكنها الرؤية واتخاذ القرار دون مساعدة بشرية. التحدي هائل لأن العالم غير متوقع؛ فقد يخطو أحد المشاة من على الرصيف، أو قد يتعطل ضوء مرور. ولحل هذه المعضلة، يعتمد الباحثون على أداتين رئيسيتين: أجهزة استشعار تعمل كأعين للآلة، وبرمجيات تعمل كدماغ لها. تستخدم "الأعين" عادةً الكاميرات أو الرادار لرصد الأجسام، بينما يستخدم "الدماغ" برامج حاسوبية معقدة لفهم ماهية تلك الأجسام وما يجب فعله تالياً. والهدف هو ابتكار مركبة يمكنها التنقل بأمان وكفاءة، والتعامل مع الواقع الفوضوي لحركة المرور في العالم الحقيقي.

وقد اقترح باحث في جامعة تونس المنار طريقة جديدة لبناء هذا النظام، تجمع بين "أعين" أكثر حدة و"دماغ" أكثر خبرة. حيث قدم كاشفاً جديداً يسمى YOLOGen1، يعمل كحساس بصري لنظام القيادة الذاتية الخاص به. وبخلاف الإصدارات السابقة التي كانت تعاني غالباً مع الأجسام الصغيرة أو البعيدة، صُمم هذا الكاشف الجديد لرؤية الطريق بوضوح استثنائي. وهو لا يعتمد على الرادار، الذي يمكن أن يتأثر بالطقس، بل يستخدم مزيجاً متطوراً من النماذج القائمة على الكاميرا التي تعمل معاً. وقد وجد الباحث أن هذا الكاشف الجديد يمكنه تحديد الأجسام بمستوى ثقة يتجاوز 98 بالمائة في مجموعات بيانات القيادة القياسية. وفي اختبارات باستخدام مجموعة بيانات محددة لمشاهد القيادة، تفوق على عدة نماذج رائدة أخرى، حيث وجد المزيد من السيارات والمشاة واللوحات بدقة أكبر.

ومع ذلك، فإن رؤية الطريق ليست سوى نصف المعركة؛ إذ يجب على المركبة أيضاً أن تقرر كيف تتفاعل. وقد عالج الباحث ذلك من خلال إنشاء نوع جديد من أنظمة اتخاذ القرار يطلق عليه "النظام الخبير للشبكة العصبية الاصطناعية". فكر في هذا النظام كأنه سائق رقمي درس كتاب قواعد القيادة، ولكنه يتعلم أيضاً من أخطائه الخاصة. البرامج الحاسوبية التقليدية تتبع قواعد جامدة: إذا كان الضوء أحمر، توقف. ولكن ماذا لو كان الضوء معطلاً وعالقاً على اللون الأحمر؟ البرنامج الجامد سيتوقف للأبد. أما النظام الجديد، فيمكنه إدراك أن الضوء محجوب وتغيير استراتيجيته، ربما عبر التعامل مع الموقف كأنه علامة "قف". وهو يفعل ذلك من خلال تحديث قواعده الداخلية باستمرار بناءً على ما يحدث لاحقاً، مما يسمح له بالتعامل مع المواقف التي تفشل فيها القواعد القياسية. وقد صُمم هذا النظام ليكون آمناً، مما يضمن أنه حتى عندما يتعلم، فإنه لا يختار أبداً مساراً خطيراً.

ولجعل هذا النظام يعمل في الوقت الفعلي، نظم الباحث البرمجيات بحيث تعمل أجزاء مختلفة من الحاسوب معاً في آن واحد، بدلاً من انتظار انتهاء مهمة واحدة قبل بدء المهمة التالية. وقد اختبر هذا الإعداد بالكامل على معالج حاسوب محمول قياسي، دون الحاجة إلى بطاقات رسوميات باهظة الثمن. وكانت النتائج مذهلة: استطاع النظام معالجة الفيديو وتقديم توصيات القيادة بسرعة أكبر من الوقت الفعلي، حتى على أجهزة بسيطة. وفي عمليات المحاكاة، نجح النظام في التنقل عبر سيناريوهات معقدة، مثل ضوء مرور ظل أحمر بسبب عطل، وذلك عبر تغيير منطق اتخاذ القرار لديه ديناميكياً للحفاظ على حركة المركبة بأمان. وقد تحقق الباحث من نهجه باستخدام لقطات فيديو من العالم الحقيقي، مما أظهر أن النظام يمكنه تقديم نصائح مفيدة وفورية للسائق أو للمركبة ذاتية القيادة.

وتشير الدراسة إلى أنه من خلال الجمع بين كاشف بصري عالي الدقة ونظام اتخاذ قرار مرن قائم على التعلم، يمكن للمركبات ذاتية القيادة أن تصبح أكثر أماناً وموثوقية. وقد أثبت الباحث أن كاشفه الجديد، YOLOGen1، هو حالياً النسخة الأكثر فعالية من نوعها لرصد الأجسام في مشاهد القيادة. كما أظهر أن نظام اتخاذ القرار لديه يمكنه التكيف مع القواعد المعطلة والعقبات غير المتوقعة، وهي خطوة حاسمة نحو مركبات يمكنها التعامل مع فوضى حركة المرور الحقيقية. وبينما تم اختبار هذا النظام على نطاق واسع في عمليات المحاكاة ومع مقاطع الفيديو المسجلة، يشير الباحث إلى أن إجراء المزيد من الاختبارات على الطرق الفعلية ضروري قبل استخدامه في السيارات الإنتاجية. ويقدم عمله مساراً واعداً للمستقبل، مثبتاً أن الآلة لا يمكنها فقط رؤية الطريق بوضوح، بل يمكنها أيضاً التفكير في المشكلات التي تجدها هناك.