Research on Trajectory Prediction and Risk Control for Distributed-Drive Electric Vehicles Based on a Spatiotemporal Transformer and an Improved DRA Algorithm

لم يعد الطريق أمامنا مجرد مسار يُسلك؛ بل أصبح بالنسبة للمركبات الحديثة لغزاً معقداً ومتغيراً من الأجزاء المتحركة والقوى غير المرئية. ومع تحول السيارات لتصبح أكثر استقلالية وكهربائية، انتقل تحدي الحفاظ على سلامتها من مجرد الاستجابة للخطر إلى استباقه. يتطلب هذا نظاماً يمكنه مراقبة الرقصة الفوضوية لحركة المرور — من سيارات تتسارع، وتكبح، وتتلوى — والتنبؤ بدقة بمكان كل مركبة بعد بضع ثوانٍ من الآن. هذا هو مجال التنبؤ بالمسار. وبالنسبة لنوع محدد من المركبات يُعرف بالسيارة الكهربائية ذات الدفع الموزع، حيث يتم تشغيل كل عجلة بمحرك خاص بها، فإن الفيزياء تصبح أكثر تعقيداً. يمكن لهذه السيارات أن تلتوي وتنعطف بدقة مذهلة، ولكن هذه المرونة نفسها تجعل حركاتها أصعب في التنبؤ، خاصة عندما تتفاعل مع السائقين الآخرين في مدينة مزدحمة. إذا لم يتمكن الكمبيوتر من تخمين مكان توجه السيارة بدقة، فلن يتمكن من تحذير السائق أو السيارة نفسها في الوقت المناسب لمنع وقوع حادث.

ولحل هذه المعضلة، طور باحثون في معهد هونان لهندسة المرور طريقة جديدة لتعليم الحواسيب كيفية رؤية مستقبل حركة المرور. لقد جمعوا بين أداتين قويتين: نظام متطور للتعرف على الأنماط مستوحى من كيفية معالجة البشر للغة، وطريقة بحث ذكية تساعد الكمبيوتر في العثين على الإعدادات المثالية لـ "دماغه". والنتيجة هي نظام يمكنه التنبؤ بمسار هذه المركبات الكهربائية المتقدمة بدقة مذهلة، حتى في أكثر مواقف المرور إرباكاً. ومن خلال فهم الطرق الدقيقة التي تؤثر بها السيارات على بعضها البعض، توفر هذه الطة الجديدة نافذة أوضح على مستقبل الطريق، مما يوفر المعلومات الموثوقة اللازمة للحفاظ على سلامة السائقين قبل أن تظهر أي خطورة.

يكمن جوهر هذا البحث في معالجة نقطة ضعف محددة في كيفية تعلم الحواسيب حالياً للتنبؤ بالحركة. فالطرق التقليدية غالباً ما تكافح لمواكبة التغيرات السريعة وغير الخطية في كيفية تحرك السيارات الكهربائية، خاصة عندما تتفاعل مركبات متعددة معاً. لجأ الباحثون إلى نموذج تعلم عميق يسمى "ترانسفورمر" (Transformer)، وهو نموذج ممتاز في فهم التسلسلات الطويلة من الأحداث والعلاقات فيما بينها. ومع ذلك، مثل الآلة الموسيقية المعقدة، يتطلب هذا النموذج ضبطاً دقيقاً ليعمل بشكل صحيح. فإذا كانت الإعدادات غير دقيقة قليلاً، تصبح التنبؤات غير موثوقة. إن العثور على الإعدادات المثالية يشبه البحث عن إبرة في كومة قش ضخمة ومتعددة الأبعاد، وهي مهمة صعبة للغاية بالنسبة لخوارزميات الكمبيوتر القياسية؛ إذ غالباً ما تتعثر هذه الخوارزميات في حلول محلية، معتقدة أنها وجدت الإجابة الأفضل بينما توجد إجابة أفضل بكثير خلف الزاوية مباشرة، أو أنها تستغرق وقتاً طويلاً في البحث لدرجة تجعلها عديمة الفائدة لأنظمة السلامة في الوقت الفعلي.

ولتجاوز ذلك، قدم الفريق نسخة محسنة من خوارزمية تحسين تسمى "خوارزمية الدين الإلهي المحسنة" (Improved Divine Religions Algorithm). وبينما يبدو الاسم تجريدياً، إلا أن المنطق الذي يقوم عليه متجذر في كيفية تفاعل المجموعات من البشر. تخيل مجتمعاً يقوم فيه الأفراد باستمرار بتعديل معتقداتهم بناءً على تأثير القادة والجيران. تحاكي الخوارزمية هذه الديناميكية الاجتماعية للبحث عن أفضل حل. وقد عزز الباحثون هذه العملية بإضافة ميزتين رئيسيتين: أولاً، أنشأوا آلية لتخطي الحسابات غير الضرورية للأفراد الذين لا يحققون تحسناً، مما يوفر وقتاً قيماً في الحوسبة. ثانياً، سمحوا لمجموعات مختلفة داخل عملية البحث بتبادل الأعضاء من حين لآخر، مما يضمن عدم انحباس البحث في منطقة واحدة بل استمرار استكشاف كامل مشهد الاحتمالات. سمح هذا النهج الهجين للنظام بالعثور على الإعدادات المثالية لنموذج التنبؤ بشكل أسرع وأكثر دقة من الطرق السابقة.

اختبر الفريق هذا النظام الجديد باستخدام "مجموعة بيانات تفاعل المركبات المتعددة لمسار المركبات الكهربائية ذات الدفع الموزع" المصممة خصيصاً. غطت البيانات مجموعة واسعة من السيناريوهات ذات الصلة بأهداف التحسين والتحقق من الدراسة، بما في ذلك تسجيلات عالية التردد لمواقع المركبات، وسرعاتها، وعزوم دورانها من ثماني مركبات تجريبية مجهزة بأنظمة الدفع الموزع. قام الباحثون بتغذية هذا التاريخ الغني من الحركة في نموذجهم الجديد، والذي كان عليه بعد ذلك التنبؤ بالحالات المستقبلية بناءً على تسلسلات المدخلات. وكانت النتائج مذهلة؛ ففي الاختبارات التي تضمنت تفاعلات معقدة وسيناريوهات ديناميكية، تنبأ المنهج الجديد بمسار المركبات بمتوسط خطأ قدره ثلاثة سنتيمترات فقط. وهذا يمثل تحسناً هائلاً مقارنة بالطرق الحالية، التي غالباً ما تخطئ الهدف بأكثر من متر أو أكثر.

أظهرت الدراسة صراحةً أن الأساليب القديمة والأكثر شيوعاً، مثل تلك القائمة على الشبكات العصبية البسيطة أو النماذج القائمة على الرسوم البيانية (graph-based models)، كانت غير كافية لهذه التفاعلات المعقدة وعالية السرعة. ففي السيناريوهات التي تتطلب نمذجة دقيقة للمسار، غالباً ما كانت النماذج القديمة تتنبأ بمسار أبطأ مما ينبغي أو تنحرف عن المسار الفعلي. ومع ذلك، تتبع النموذج الجديد المسار المقصود للمركبة بدقة ملحوظة، حيث التقط كلاً من المنحنيات السلسة والتعديلات المفاجئة. وقاس الباحثون هذا النجاح باستخدام عدة مقاييس معيارية، ووجدوا أن نهجهم قلل أخطاء التنبؤ بنسبة تزيد عن 95 بالمائة مقارنة بأفضل طريقة تالية. وهذا المستوى من الدقة ليس مجرد فوز إحصائي؛ بل يعني أن النظام يمكنه تحديد خطر التصادم المحتمل في وقت مبكر جداً، مما يمنح أنظمة سلامة المركبة وقتاً كافياً للتدخل.

من خلال الجمع بين محرك قوي للتعرف على الأنماط واستراتيجية بحث عالية الكفاءة، يمثل هذا البحث خطوة كبيرة للأمام في جعل المركبات ذاتية القيادة أكثر أماناً. إن القدرة على التنبؤ بالحركة المستقبلية للسيارة بهذه الدقة، حتى عندما يقودها بشر أو نظام مستقل آخر في بيئة فوضوية، توفر أساساً متيناً للسلامة النشطة. إنها تنقل التكنولوجيا من مجرد الاستجابة لما حدث بالفعل إلى فهم ما أوشك على الحدوث. وبالنسبة لسائقي الغد، يعني هذا طريقاً تفهم فيه السيارة تدفق حركة المرور تماماً كما يفعل السائق البشري المتمرس، وتكون مستعدة للتحرك قبل أن يتحول الخطأ إلى حادث. ويؤكد العمل أنه مع الأدوات الرياضية الصحيحة، يمكننا تعليم الآلات رؤية الطريق ليس كما هو فحسب، بل كما سيكون.