Data-Driven Predictive Control of Mixed Vehicular Platoon with ELM-AdaBoost Enabled Human Driving Policy

على الطريق، يُعد "القافلة" (platoon) ببساطة عبارة عن صف من السيارات التي تسير بالقرب من بعضها البعض، وتتحرك كوحدة واحدة. لعقود من الزمن، حلم المهندسون بمركبات ذاتية القيادة يمكنها القيام بذلك بشكل مثالي، مع الحفاظ على مسافات وسرعات دقيقة لتوفير الوقود ومنع الازدحام المروري. لكن الواقع ليس محاكاة؛ فلفترة طويلة قادمة، ستشارك هذه السيارات ذاتية القيادة في الطرق السريعة مع السائقين البشر، مما يخلق بيئة مرورية مختلطة. هذا المزيج يخلق مشكلة معقدة: السائقون البشر غير متوقعين. فهم يتفاعلون بشكل مختلف مع حركة المرور؛ فبعضهم عدواني ويتبع السيارات عن قرب (tailgate)، بينما الآخرون حذرون ويحافظون على مسافة واسعة. ردود أفعالهم ليست عشوائية فحسب، بل تشكلت عبر سنوات من العادات والأسلوب الشخصي. عندما تحاول سيارة ذاتية القيادة اتباع إنسان، أو عندما يتبع إنسان سيارة ذاتية القيادة، يجب على النظام مراعاة هذا العنصر البشري. فإذا تجاهلت السيارة ذاتية القيادة أسلوب الإنسان، فقد تضغط على المكابح بقوة شديدة أو تتبع بمسافة قريبة جداً، مما يؤدي إلى تذبذب الصف بأكمله أو توقفه بشكل غير متوقع. الهدف هو إنشاء نظام لا يفرض فقط على كل سيارة أن تقود بنفس الطريقة، بل نظام يفهم ويتكيف مع الشخصية الفريدة للسائق الذي أمامها.

قام باحثون في عدة جامعات صينية، بما في ذلك جامعة شرق الصين للنقل وجامعة تشيجيانغ للتكنولوجيا، بتطوير طريقة جديدة لإدارة هذه الصفوف المختلطة من السيارات. وقد أطلقوا على نهجهم اسم استراتيجية التحكم "المرتكزة على الإنسان" (human-anchored). وبدلاً من محاولة بناء نموذج رياضي مثالي لكيفية تفكير كل إنسان -وهو أمر مستحيل تقريباً لأن السلوك البشري فوضوي ومتغير للغاية- قرروا ترك البيانات تتحدث عن نفسها. لقد بنوا نظاماً يتعلم مباشرة من الحركات الفعلية للسيارات. ومن خلال مراقبة كيفية استجابة المركبة للمركبة التي أمامها بمرور الوقت، ينشئ النظام خريطة لديناميكيات الطريق دون الحاجة لمعرفة الوزن المحدد للسيارة أو وقت الاستجابة الدقيق للسائق. تسمح هذه الطريقة القائمة على البيانات للكمبيوتر بالتنبؤ بما سيحدث لاحقاً بناءً على ما حدث سابقاً، مما يتجاوز فعلياً الحاجة إلى صيغ معقدة وعرضة للخطأ حول علم النفس البشري.

يكمن جوهر ابتكارهم في كيفية التعامل مع السائق البشري. أدرك الباحثون أنه بينما يختلف كل سائق عن الآخر، إلا أنهم غالباً ما يقعون ضمن أنماط يمكن التعرف عليها؛ فبعضهم يقود بعدوانية، وبعضهم باعتدال، وآخرون بحذر. ولتجسيد ذلك، استخدموا أداة تعلم متطورة تعمل مثل مراقب دقيق جداً. هذه الأداة، التي تجمع بين تقنيتين مختلفتين للتعلم، تراقب سرعة السيارة، وتسارعها، والمسافة إلى المركبة التي أمامها. وهي تقوم بتصفية "الضجيج" الناتج عن الطرق الوعرة أو أعطال المستشعرات، تماماً مثل تنظيف إشارة راديو مليئة بالتشويش لسماع الموسيقى بوضوح. وبمجرد تنقية البيانات، يحدد النظام أسلوب السائق؛ فهو لا يخمن فحسب، بل يصنف السائق إلى فئة محددة بناءً على سلوكه الفعلي على الطريق.

بمجرد أن يعرف النظام أسلوب السائق، فإنه يغير كيفية سلوك السيارات ذاتية القيادة. إذا كان السائق الذي في الأمام عدوانياً ويحب القيادة عن قرب، فإن السيارات ذاتية القيادة خلفه تعدل المسافة المستهدفة لتناسب هذا التفضيل، بدلاً من فرض مسافة قياسية آمنة قد تبدو غير طبيعية أو تتسبب في كبح مفاجئ للسائق البشري. وإذا كان السائق حذراً، فإن السيارات ذاتية القيادة تترك له مساحة أكبر. يطلق الباحثون على هذا "سياسة القيادة المرنة". الأمر لا يتعلق بجعل السيارات ذاتية القيادة تقود بتهور، بل بجعلها تقود بطريقة تبدو طبيعية للسائق البشري، مما يجعل خط المرور بأكمله أكثر سلاسة. يضع النظام حدوداً "ناعمة" لمدى قرب السيارات أو سرعة تسارعها، لكن هذه الحدود تتغير اعتماداً على من يقود.

لاختبار مدى نجاح هذه الفكرة، لم يكتفِ الفريق بإجراء محاكاة حاسوبية فحسب؛ بل بنوا بيئة اختبار واقعية. استخدموا جهاز محاكاة للقيادة شارك فيه أربعة وثلاثون متطوعاً بشرياً، بمتوسط عمر بلغ واحد وثلاثين عاماً وخبرة لا تقل عن سنتين في القيادة. كان هؤلاء السائقون يتحكمون في إحدى السيارات في صف مكون من ثلاث سيارات، بينما كانت السيارتان الأخريان تحت تحكم البرنامج الجديد. وقارن الباحثون نظامهم "المرتكز على الإنسان" الجديد بطريقتين أخريين: نظام تحكم ذاتي قياسي يعامل جميع السائقين بنفس الطموح، ونظام آخر متطور يعتمد على البيانات ولكنه لا يزال لا يأخذ الأسالف الفردية في الاعتبار. تضمن الاختبار سيناريوهات مرورية معقدة حيث تسرع السيارة الرائدة وتبطئ، مما يجبر الصف على التفاعل.

أظهرت النتائج فرقاً واضحاً. فقد عانى كل من النظام القياسي والنظام المتقدم القائم على البيانات من أجل الحفاظ على استقرار الصف. كانت السيارات تتجاوز مسافتها المستهدفة، فتصبح بعيدة جداً ثم تضغط على المكابح بقوة للحاق بالركب، مما يخلق تأثير "التموج" في تغيرات السرعة الذي ينتقل عبر الصف. وفي المقابل، حافظ النظام الجديد "المرتكز على الإنسان" على المسافات أقرب بكثير إلى المسافة المرغوبة وهي 50 متراً. تبعت السيارات ذاتية القيادة قائدها البشري دون الحركات المتذبذبة أو المفاجئة التي شوهدت في الاختبارات الأخرى. وظلت سرعة السيارات سلسة، متجنبة الارتفاعات الحادة في السرعة التي غالباً ما تؤدي إلى عدم الارتياح أو الحوادث. وحتى عندما كان السائق البشري عدوانياً، تكيف النظام وحافظ على الاستقرار دون إجبار الإنسان على تغيير سلوكه.

كما درست الدراسة مدى أداء النظام مع أنواع مختلفة من السائقين. عندما كان السائق محافظاً، حافظ النظام على أخطاء المسافة صغيرة جداً، مما ضمن رحلة آمنة ومستقرة. وعندما كان السائق عدوانياً، حافظ النظام أيضاً على السيطرة، رغم أن أخطاء المسافة كانت أكبر قليلاً، وهو أمر متوقع عند اتباع سائق يحب تقليص المسافة. والأهم من ذلك، منع النظام هذه الأخطاء الصغيرة من النمو والانتشار عبر السيارات التالية في الصف. وفي هندسة المرور، يُعرف هذا بـ "استقرار السلسلة" (string stability)، وهو أمر حيوي لمنع الازدحامات المرورية التي تبدأ من مجرد ضغطة مكابح واحدة. أثبتت الطريقة الجديدة أنه من خلال احترام أسلوب السائق البشري، يمكن للسيارات ذاتية القيادة أن تجعل المجموعة بأكملها أكثر أماناً وراحة.

يُظهر هذا البحث أن مستقبل التحكم المروري لا يتطلب من البشر أن يصبحوا آلات، بل يتطلب من الآلات أن تصبح أكثر إدراكاً للبشر. فمن خلال استخدام البيانات لفهم عادات القيادة الفردية وتعديل الاستجابة الذاتية وفقاً لذلك، أظهر الباحثون مساراً نحو تعايش أكثر سلاسة وأماناً بين الإنسان والآلة على الطريق. لقد نجح النظام في تحقيق التوازن بين الحاجة إلى السلامة والرغبة في تجربة قيادة شخصية، مما أثبت أن القليل من التفاهم يقطع شوطاً طويلاً في الحفاظ على انسيابية حركة المرور.