المكاسب:
- القدرة على شرح أدوار الكاميرا والرادار وLiDAR ودمج أجهزة الاستشعار في سلسلة الكشف ومستويات الأتمتة SAE
- القدرة على إنشاء تصنيف للبيانات وتعريف السيناريو ومقاييس التقييم لاكتشاف الكائنات وتصنيفها وتتبعها
- القدرة على إجراء تقييم نقدي لحالات الحافة والتوازن الإيجابي/السلبي الكاذب وهامش الأمان في مخرجات نموذج الكشف
تتمتع معظم المركبات اليوم بميزات مثل التحذير من مغادرة المسار أو فرامل الطوارئ التلقائية أو التحكم التكيفي في السرعة. كل هذا تحت مظلة ADAS (أنظمة مساعدة السائق المتقدمة). وفي قلب هذه الأنظمة والقيادة الذاتية الأخرى يكمن الإدراك: الطريقة التي "ترى بها" السيارة العالم من حولها باستخدام أجهزة الاستشعار و"تفهمه" باستخدام الذكاء الاصطناعي. في هذه الوحدة، سنغطي سلسلة الكشف وأجهزة الاستشعار ومستويات الأتمتة والمسألة الأكثر أهمية، وهي الحدود الأمنية.
تحذير من البداية: هذه المنطقة ذات أهمية أمنية حرجة. إذا لم يكتشف نموذج الكشف أحد المشاة، فقد تكون النتيجة قاتلة. ولهذا السبب يجب أن يكون كل مخرج للذكاء الاصطناعي هنا محاطًا بعمليات الهندسة الأمنية (ISO 26262 وSOTIF في الوحدات التالية).
أجهزة الاستشعار: العيون والأذنين والرادار
تجمع مجموعة القيادة الذاتية بين أجهزة استشعار مختلفة لأن لكل منها نقاط قوة ونقاط ضعف:
- الكاميرا: الكاميرا "ترى" اللون والنص (علامة المرور) وخط الحارة ونوع الكائن بشكل أفضل. لكنها ضعيفة في الليل والضباب ووهج الشمس القوي وتقدير المسافة.
- الرادار (كشف الراديو والمدى): يقيس المسافة والسرعة باستخدام موجات الراديو. وهو أقل تأثراً بالمطر/الضباب ويقيس السرعة مباشرة (بتأثير دوبلر)؛ لكن دقتها منخفضة، مما يجعل من الصعب التمييز بين "هل هذا أحد المشاة أم صندوق؟"
- LiDAR (اكتشاف الضوء والمدى): يطلق شعاع ليزر وينتج "سحابة نقطية" دقيقة ثلاثية الأبعاد للمناطق المحيطة؛ أنه يعطي المسافة والشكل بشكل جيد للغاية. ولكنها باهظة الثمن ويمكن أن تتأثر بالضباب/المطر الكثيف.
- الموجات فوق الصوتية: قصيرة المدى، مثل أجهزة استشعار وقوف السيارات.
نظرًا لعدم كفاية أي منهما في حد ذاته، يتم إجراء دمج المستشعرات: من خلال الجمع بين بيانات أجهزة الاستشعار المختلفة، يتم تعويض ضعف كل منها بقوة الآخر. على سبيل المثال، تقول الكاميرا "مشاة"، ويقول الرادار "على مسافة 12 مترًا، تقترب من 5 كم/ساعة"؛ يجمع Fusion بين الاثنين ويخلق مسارًا موثوقًا به.
نصيحة: عند تقييم مطالبة الكشف، "ما هو المستشعر الذي يمكنه رؤيته وإلى أي مدى؟" بسأل. إذا كان تقدير مسافة الكاميرا في الليل ضعيفًا، فإن قرار المسافة بناءً على كاميرا واحدة يكون موضع شك.
سلسلة الكشف
السلسلة النموذجية من بيانات الاستشعار الأولية إلى القرار هي كما يلي:
- الكشف: العثور على كائنات في سحابة الصورة/النقطة ("توجد أداة هنا").
- التصنيف: تحديد نوع الجسم (مشاة، دراجة هوائية، مركبة، إشارة).
- التتبع: متابعة الكائن بين الإطارات وتقدير سرعته واتجاهه.
- الانصهار: الجمع بين أجهزة الاستشعار لإنشاء نموذج عالمي متسق.
- التنبؤ: "هل سيعبر هذا المشاة الشارع؟"
- التخطيط والتحكم: القرار وأمر التوجيه/الفرامل/دواسة الوقود.
الذكاء الاصطناعي (خاصة التعلم العميق) 1-3. قوية جدا في الخطوات. 5-6. أصبحت الخطوات محاطة بشكل متزايد بالقواعد الهندسية والمنطق الأمني.
مستويات الأتمتة SAE
الحكم الذاتي ليس أمرًا "نعم/لا"، بل هو تدريجي. يحدد معيار SAE J3016 ستة مستويات:
المستوى
الاسم
من يقود؟
مثال
0
لا الأتمتة
كل محرك الأقراص
تحذير فقط (تحذير النقطة العمياء)
1
دعم السائق
سائق + دعم واحد
رحلة بحرية متكيفة أو الحفاظ على المسار
2
الأتمتة الجزئية
سائق (إشراف مستمر)
السرعة + المسار معًا، السائق هو المسؤول
3
الأتمتة المشروطة
النظام (تحت حالة معينة)
في ظل ظروف معينة، يقوم النظام بقيادة السيارة، ويكون السائق جاهزًا لتولي المسؤولية
4
أتمتة عالية
النظام (في منطقة محددة)
بدون سائق في منطقة محددة
5
أتمتة كاملة
النظام (في جميع الظروف)
بدون سائق في كل مكان (ليس بعد)
تنبيه: أخطر سوء فهم هو المستوى 2. في المستوى 2، تدعم السيارة التوجيه والسرعة، لكن السائق يحتفظ بالإشراف المستمر والمسؤولية. أدى الخلط بين النظام على أنه "طيار آلي" وعدم الانتباه إلى وقوع حوادث مميتة. المستوى 2 لا يعني "بدون سائق".
مقاييس التقييم: إيجابية كاذبة وسلبية كاذبة
هناك نوعان من الأخطاء لهما أهمية بالغة عند تقييم نموذج الكشف:
- الإيجابية الكاذبة: الاعتقاد بأن هناك شيئًا غير موجود. على سبيل المثال، الاعتقاد بأن ظل الجسر يمثل "عائقًا" والكبح دون داع. مزعجة وخطيرة في بعض الأحيان (الاصطدام الخلفي).
- سلبي كاذب (سلبي كاذب/ملكة جمال): عدم القدرة على رؤية شيء موجود. على سبيل المثال، عدم رؤية أحد المشاة الحقيقيين. هذا هو الخطأ الأكثر دموية في القيادة الذاتية.
المقاييس التي تلخص هذه:
- الدقة: مقدار ما حددته صحيح بالفعل.
- الاستدعاء (الحساسية): ما مقدار ما قمت بالتقاطه مما هو موجود بالفعل.
- mAP (متوسط الدقة): مقياس مركب مشترك لاكتشاف الكائنات.
يعد التذكير (عدم فقدان أي مشاة) أمرًا حيويًا في أمور مثل اكتشاف المشاة في القيادة الذاتية؛ زيادة هذا في بعض الأحيان يؤدي إلى زيادة الإيجابية الكاذبة. هذه المقايضة هي قرار هندسي أمني، وليست دقة نموذجية خالصة.
حالات الحافة والذيل الطويل
الجزء الأكثر صعوبة في القيادة الذاتية ليس المواقف الشائعة، بل المواقف النادرة والغريبة: اللافتة نصف المرئية تحت الثلج، والشاحنة المقلوبة رأسًا على عقب، ومشاة يرتدون ملابسهم، وسقوط الأثاث على الطريق. تسمى هذه المواقف النادرة والخطيرة بالذيل الطويل. في حين أن النموذج قد يكون مثاليًا لقطع ملايين الأميال "العادية"، إلا أنه قد يفشل في موقف متطرف لم يسبق له مثيل من قبل. ولهذا السبب فإن الاختبارات القائمة على السيناريوهات والمحاكاة والتحقق من الصحة في العالم الحقيقي لا نهاية لها.
دراسات الحالة المصغرة
الحالة 1 - قيمة الاندماج. أثناء اختبار مكابح الطوارئ التلقائية، وجد فريق ADAS أنه كان بطيئًا في اكتشاف مركبة داكنة اللون أمامه تحت أشعة الشمس الساطعة باستخدام الكاميرا فقط. عند إضافة بيانات الرادار (لا يتأثر الرادار بالوهج)، يكتشف النظام السيارة قبل 0.4 ثانية؛ وهذا يعني أن مسافة الكبح تبلغ حوالي 10 أمتار بسرعة 90 كم/ساعة. النتيجة: أغلق برنامج Fusion النقطة العمياء للمستشعر الفردي.
الحالة 2 - الاستدعاء/توازن الدقة. عندما يتم تخفيض عتبة نموذج الكشف عن المشاة، يزداد الاستدعاء من 96% إلى 99%، ولكن تزداد النتائج الإيجابية الكاذبة (الظل والشجيرات)، مما يؤدي إلى الكبح غير الضروري. يتخذ فريق الأمان القرار: يعتبر تجنب المشاة أولوية، ولكن يتم الحفاظ على الراحة من خلال التخلص من النتائج الإيجابية الكاذبة من خلال منطق الدمج والتتبع. الاستنتاج: اختيار المقياس هو قرار هندسي/أمني، ولا يوجد "رقم صحيح" واحد.
الحالة 3 - مفاجأة حالة الحافة. في حين أن أحد النماذج حقق نجاحًا بنسبة 99.8% في مجموعة التحقق الخاصة به، فقد أخطأ في صورة أحد المشاة العملاق خلف شاحنة تحمل إعلانًا لإطارات الثلج في الميدان على أنها "مشاة حقيقيين" وفرملة فجأة. يضيف الفريق حالة الحافة هذه إلى مكتبة السيناريوهات ويعيد تدريب النموذج. الخلاصة: الذيل الطويل لا "ينتهي" أبدًا؛ مطلوب جمع السيناريو المستمر.
قوالب سريعة
القالب 1 - إنشاء قائمة السيناريوهات:
الدور: أنت مهندس حالة اختبار ADAS. المهمة: إنتاج سيناريوهات اختبار صعبة (حالة الحافة) للفرملة التلقائية في حالات الطوارئ. السياق: في المناطق الحضرية، 30-50 كم/ساعة، مختلط للمشاة وراكبي الدراجات. القيد: إعطاء الأولوية للسيناريوهات النادرة/الخطيرة، وليس السيناريوهات المتكررة؛ اكتب السلوك الصحيح المتوقع لكل سيناريو. المخرجات: السيناريو | حالة | السلوك المتوقع | مستوى المخاطرة.
النموذج 2 - الخطوط العريضة لدليل وضع العلامات:
الدور: قائد جودة تصنيف البيانات. المهمة: كتابة مسودة قواعد متسقة لوضع علامات على المشاة. السياق: هناك مشاة مرئيون جزئيًا، جالسون، في الكراسي المتحركة، وفي مجموعات. الإخراج: القاعدة | مثال | الحد من الجدول الصف الدولة.
النموذج 3 - التفسير المتري:
الدور: خبير تقييم الرؤية الحاسوبية. المهمة: تفسير نتائج اكتشاف المشاة. السياق: الدقة 0.93، التذكر 0.90، معظم الأخطاء في الليل أو تحت المطر. القيد: التأكيد على أهمية الاستدعاء لأسباب أمنية؛ أخبرني تحت أي شروط مطلوب التحقق الإضافي. المخرجات: التعليق + المجالات ذات الأولوية للتحسين.
القالب 4 - مخطط منطق الاندماج:
الدور: أنت مهندس دمج أجهزة الاستشعار. المهمة: اقتراح منطق مسودة القرار عند تعارض الكاميرا والرادار. السياق: يرى الرادار جسمًا صغيرًا متحركًا على ارتفاع 15 مترًا بينما تقول الكاميرا "ممنوع المشاة". القيد: تطبيق مبدأ الافتراض لصالح السلامة (الجانب الآمن). المخرجات: جدول القرار + المبررات.
موجه ضعيف / موجه قوي
حث ضعيف:
هل طراز سيارتي ذاتية القيادة آمن؟
بدون سياق؛ "آمن" غير محدد؛ يتحدث الذكاء الاصطناعي فقط بعبارات عامة ويمكن أن يعطي ثقة مضللة.
مطالبة قوية:
الدور: أنت مستشار التقييم الأمني لشركة ADAS. المهمة: أنشئ قائمة مرجعية لي للاستفسار عن نقاط الضعف في نموذج اكتشاف المشاة الخاص بي. السياق: نظام المستوى الحضري 2؛ أذكر أنه يقع في الليل وفي المطر. لا يوجد سوى كاميرا + رادار، ولا يوجد LiDAR. القيد: لا تعلن "آمنة"؛ تحديد الظروف التي يكون فيها النظام عند الحد الأقصى وما هي الاختبارات الإضافية المطلوبة. المخرجات: منطقة الخطر | لماذا | الاختبار الموصى به | جدول الأهمية.
الأخطاء الشائعة
- الخلط بين المستوى 2 و"بدون سائق". المسؤولية تقع على عاتق السائق. هذا المفهوم الخاطئ قاتل.
- الاعتماد على جهاز استشعار واحد. كل جهاز استشعار لديه نقطة عمياء؛ الانصهار ضروري.
- مجرد النظر إلى دقة متوسطة. 99% نجاح، 1% تفويت المشاة يمكن أن يكون قاتلاً؛ تعتبر حالات الاستدعاء والحافة حرجة.
- تجاهل الحالات القصوى. الذيل الطويل لا ينتهي أبدًا؛ جمع السيناريو مستمر.
- ترك القرار الأمني للنموذج. قرارات العتبة والتوازن هي مسؤولية الهندسة الأمنية.
باختصار
- في قلب أنظمة مساعدة السائق المتقدمة واستشعار القيادة الذاتية، توجد الكاميرا والرادار وتقنية LiDAR ودمج أجهزة الاستشعار؛ لكل مستشعر نقاط قوة/ضعف مختلفة.
- تتكون سلسلة الكشف من الكشف والتصنيف والرصد والدمج والتنبؤ والتحكم؛ الذكاء الاصطناعي قوي في الخطوات الأولى.
- تتراوح مستويات SAE من 0 إلى 5؛ في المستوى الثاني تقع المسؤولية على عاتق السائق.
- النتيجة السلبية الكاذبة (اختطاف المشاة) هي الخطأ الأكثر خطورة؛ تأخذ حالات الاستدعاء والحافة الأولوية.
- القرارات الأمنية مسؤولية هندسية؛ دقة النموذج ليست المعيار الوحيد.
مهمة التطبيق
حدد وظيفة ADAS (على سبيل المثال، مساعد الحفاظ على المسار). (1) اكتب في الجدول ما هي المستشعرات التي تدعم هذه الوظيفة ومدى جودتها. (2) قم بإنشاء 5 سيناريوهات لحالة الحافة باستخدام القالب 1 وحدد السلوك الآمن المتوقع لكل منها. (3) قارن النتائج الإيجابية الكاذبة والسلبية الكاذبة لهذه الوظيفة. (4) قم بإدراج الاختبارات المستقلة المطلوبة قبل المطالبة بأن النموذج "آمن".
قائمة مرجعية
- [ ] قمت بتقييم نقاط القوة/الضعف في أجهزة الاستشعار وفقًا لوظيفتها.
- [ ] لقد قمت أيضًا بإدراج سيناريوهات الحالة النهائية (الذيل الطويل).
- [ ] لقد قارنت النتائج الإيجابية/السلبية الكاذبة من أجل السلامة.
- [ ] لقد أخذت في الاعتبار الأهمية الأمنية البالغة لعملية الاستدعاء.
- [ ] وضحت مستوى SAE ومن المسؤول.
- [ ] لقد قمت بإعداد خطة اختبار مستقلة قبل أن أدعي "آمنة".