كيف جعلت خوارزميات التعلم الآلي السيارات ذاتية القيادة ممكنة؟

تعتبر السيارة ذاتية القيادة أو السيارة ذاتية القيادة من أبرز تطبيقات التعلم الآلي.

يساعد التعلم الآلي ، جنبًا إلى جنب مع التقنيات التخريبية الأخرى مثل إنترنت الأشياء ، على تحسين وتعزيز أداء السيارات المستقلة. بفضل ML ، فإن هذه السيارات ذاتية القيادة قادرة جدًا على استشعار البيئة من حولها والتحرك بأمان ، مما يتطلب القليل جدًا من التدخل البشري أو لا يتطلب أي تدخل على الإطلاق. أفكار مشروع التعلم الآلي

بينما يعد ML مكونًا مهمًا لوحدة التحكم الإلكترونية المركزية (ECU) في سيارة ذاتية القيادة ، تُبذل الجهود لدمج ML بشكل أكبر في السيارات ذاتية القيادة لتشكيل أحدث إبداعاتها. تتمثل إحدى الوظائف الأساسية لخوارزميات ML في السيارة ذاتية القيادة في المراقبة المستمرة للبيئة المحيطة والتنبؤ بدقة بالتغييرات المحتملة على البيئة المحيطة . يمكن تقسيم هذه المهمة الأساسية بشكل أكبر.

المهام الفرعية الأربعة

• كشف الكائن
• تحديد / التعرف على الكائن
• توطين الكائن
• توقع الحركة

عادةً ما تشتمل السيارات ذاتية القيادة على العديد من المستشعرات التي تساعدها على فهم محيطها ، بما في ذلك نظام تحديد المواقع العالمي (GPS) ، والرادار ، والليدار ، والسونار ، وقياس المسافات ، ووحدات القياس بالقصور الذاتي . لديهم أيضًا أنظمة تحكم متقدمة يمكنها تفسير المعلومات الحسية لتحديد العوائق واكتشاف مسارات الملاحة المناسبة.

تتلقى التطبيقات المستندة إلى ML والتي تشغل نظام المعلومات والترفيه في سيارة مستقلة معلومات من أنظمة دمج بيانات المستشعر وتقوم بالتنبؤات وفقًا لذلك. يمكن لهذه الخوارزميات أيضًا دمج إيماءة السائق والتعرف على الكلام وترجمة اللغة في نظام السيارة.

خوارزميات التعلم الآلي للسيارات ذاتية القيادة

1) خوارزميات ML الخاضعة للإشراف

تستخدم هذه الخوارزميات مجموعة بيانات تدريبية للتعلم. يستمرون في التعلم حتى يصلوا إلى المستوى المطلوب الذي يعد بأدنى حد من الأخطاء. يمكن أيضًا تصنيف خوارزميات ML الخاضعة للإشراف إلى خوارزميات التصنيف والانحدار والحد من الأبعاد. للحصول على معلومات مفصلة حول نوع خوارزميات التعلم الآلي ، اقرأ عن أنواع خوارزميات التعلم الآلي

2) خوارزميات ML غير الخاضعة للرقابة

تتعلم هذه الخوارزميات من خلال فهم البيانات الموجودة. لا يتم استخدام أي مجموعات بيانات تدريبية هنا. يحاولون العثور على أنماط يمكن تحديدها داخل البيانات ثم يقسمون البيانات إلى فئات / مجموعات وفقًا لمستوى التشابه بينهم. تعلم قواعد التجميع والترابط هما نوعان من خوارزميات ML غير الخاضعة للإشراف.

الآن ، دعنا نتعمق في الأعمال الداخلية لخوارزميات السيارات ذاتية القيادة. خوارزميات التعلم الآلي للسيارات المستقلة.

خوارزميات التعلم الآلي للسيارات المستقلة

تنقسم خوارزميات التعلم الآلي للسيارة ذاتية القيادة عمومًا إلى أربع فئات:

1) خوارزميات الانحدار

تستخدم خوارزميات الانحدار بشكل صريح للتنبؤ بالأحداث. الانحدار البايزي ، وانحدار الشبكة العصبية ، وانحدار غابة القرار هي الأنواع الثلاثة الرئيسية لخوارزميات الانحدار المستخدمة في السيارات ذاتية القيادة.

في تحليل الانحدار ، يتم تقدير العلاقة بين متغيرين أو أكثر ، وتتم مقارنة تأثيرات المتغيرات على مقاييس مختلفة. يعتمد تحليل الانحدار بشكل أساسي على ثلاثة مقاييس أساسية:

• عدد المتغيرات المستقلة
• نوع المتغيرات التابعة
• شكل خط الانحدار.

تستخدم خوارزميات الانحدار الجوانب المتكررة للبيئة لتشكيل نموذج إحصائي للعلاقة بين صورة معينة وموضع كائن معين داخل الصورة. يمكن أن يوفر النموذج الإحصائي اكتشافًا سريعًا عبر الإنترنت من خلال أخذ عينات الصور. تدريجيًا ، يمكن أن يمتد للتعرف على الأشياء الأخرى أيضًا ، دون الحاجة إلى تدخل بشري كبير.

2) خوارزميات التعرف على الأنماط (التصنيف)

بشكل عام ، الصور التي تم الحصول عليها بواسطة أنظمة مساعدة السائق المتقدمة (ADAS) مليئة بمجموعة من البيانات من البيئة المحيطة. يجب تصفية هذه البيانات للتعرف على الصور ذات الصلة التي تحتوي على فئة معينة من الكائنات. هذا هو المكان الذي تدخل فيه خوارزميات التعرف على الأنماط.

تُعرف أيضًا باسم خوارزميات تقليل البيانات ، وقد تم تصميم خوارزميات التعرف على الأنماط لاستبعاد نقاط البيانات غير العادية. يعد التعرف على الأنماط في مجموعة البيانات خطوة أساسية قبل تصنيف الكائنات.

تساعد هذه الخوارزميات في تصفية البيانات التي تم الحصول عليها من خلال أجهزة الاستشعار عن طريق الكشف عن حواف الكائن ، وتركيب مقاطع الخط والأقواس الدائرية على الحواف. تجمع خوارزميات التعرف على الأنماط بين مقاطع الخط والأقواس الدائرية بعدة طرق مختلفة لتشكيل الميزات النهائية للتعرف على كائن ما.

تعد آلات المتجه الداعمة (SVM) ذات الرسوم البيانية للتدرجات الموجهة (HOG) ، وتحليل المكونات الرئيسية (PCA) ، وقاعدة قرار Bayes ، و k-القريب المجاور (KNN) من أكثر خوارزميات التعرف على الأنماط شيوعًا في السيارات ذاتية القيادة.

3) الخوارزميات العنقودية

تتفوق الخوارزميات العنقودية في اكتشاف البنية من نقاط البيانات. قد يحدث أن الصور التي تم الحصول عليها بواسطة ADAS ليست واضحة ، أو قد يحدث أيضًا أن خوارزميات التصنيف قد غابت عن تحديد كائن ، وبالتالي فشلت في تصنيفها وإبلاغ النظام بها.

قد يحدث هذا بسبب أن الصور منخفضة الدقة جدًا أو مع نقاط بيانات قليلة جدًا. في مثل هذه الحالات ، يصبح من الصعب على النظام اكتشاف وتحديد موقع الكائنات في المناطق المحيطة.

تحدد خوارزميات التجميع فئة المشكلة وفئة الطرق. بشكل عام ، يتم إنشاء تقنيات المجموعات باستخدام نهج النمذجة القائمة على النقطه الوسطى والتسلسل الهرمي. تركز جميع تقنيات التجميع على الاستفادة من الهياكل المتأصلة في البيانات لتنظيم البيانات بشكل أفضل في مجموعات لها أكبر قدر من القواسم المشتركة.

الشبكات العصبية متعددة الفئات والوسائل K هي خوارزميات التجميع الأكثر استخدامًا للسيارات المستقلة.

4) خوارزميات مصفوفة القرار

تستخدم خوارزميات مصفوفة القرار بشكل أساسي لاتخاذ القرار. وهي مصممة لتحديد وتحليل وتصنيف أداء العلاقات بين مجموعات القيم والمعلومات بشكل منهجي. أكثر خوارزميات مصفوفة القرار استخدامًا في السيارات ذاتية القيادة هي تعزيز التدرج (GDM) و AdaBoosting.

تحدد هذه الخوارزميات حركات السيارة ذاتية القيادة. لذا ، سواء كانت السيارة تحتاج إلى الانعطاف يسارًا أو يمينًا ، سواء كانت بحاجة إلى الفرامل أو التسريع ، يتم تحديد الإجابة على هذه الأسئلة من خلال دقة هذه الخوارزميات المتعلقة بتصنيف وتمييز وتوقع الحركة التالية للأجسام.

تشتمل خوارزميات مصفوفة القرار على نماذج قرار متعددة مدربة بشكل مستقل والتي يتم دمج تنبؤاتها لتوليد التنبؤ الكلي مع تقليل احتمالية حدوث أخطاء.

خاتمة

معًا ، تدخل كل خوارزميات ML هذه في تشغيل السيارات ذاتية القيادة كما نعرفها. في الوقت الحالي ، يمكن للسيارات ذاتية القيادة أداء المهام الأساسية للسائق البشري ، مثل التحكم في السيارة والتنقل بها وقيادتها ، ولكن بالطبع هناك قيود معينة عليها أيضًا. ومع ذلك ، مع مزيد من التقدم في التعلم الآلي وتحسين خوارزميات السيارات ذاتية القيادة ، لدينا الكثير لنتطلع إليه من هذه السيارات المستقلة.

إذا كنت مهتمًا بتعلم التعلم الآلي ولديك فضول لتعلم كيفية تدريب روبوت محادثة ، وكيفية تدريب وكيل على لعب tic tac toe والمزيد ، فراجع دبلومة IIIT-B في التعلم الآلي وبرنامج الذكاء الاصطناعي.