تحسين أخذ عينات حالات الاختبار للتحقق من سلامة أنظمة القيادة الآلية

لماذا يقضي سلامة السائقين الآليين على الجميع

توعد السيارات ذاتية القيادة بحوادث أقل، وطرق سفر أكثر سلاسة، وفرص تنقل جديدة للأشخاص غير القادرين على القيادة اليوم. لكن قبل أن يثق الجمهور بهذه الأنظمة، نحتاج إلى دليل قوي بأنها على الأقل آمنة بمثل مستوى السائقين البشريين. ويرتكز ذلك الدليل على كيفية اختبارها: في أية مواقف نضعها، وكيف نحكم على نجاحها أو فشلها. تتناول هذه الورقة مشكلة مركزية في ذلك المسار — كيفية اختيار مجموعة صغيرة لكنها مؤثرة من مواقف القيادة التي تعكس العالم الحقيقي الفوضوي وغير المتوقع، بما في ذلك اللحظات النادرة ولكن الخطرة حيث تحدث الحوادث.

من طرق لا نهائية إلى قائمة اختبار ذكية

على الطرق الحقيقية، معظم الرحلات تمر دون حوادث. الحوادث الجسيمة نادرة، لكنها بالضبط ما يهم للسلامة. لو حاول المنظمون اختبار السيارات الآلية بمجرد قيادة بلايين الأميال والانتظار لرؤية النتائج، لكان التحقق سيستغرق سنوات وتكلفة هائلة. بدلاً من ذلك، يبني المهندسون مكتبات من حالات الاختبار: مقاطع قيادة قصيرة يمكن إعادة تشغيلها على حلبات الاختبار أو في المحاكيات. المشكلة هي تحديد أي الحالات تُدرج. النهج التقليدية تعتمد على عدد قليل من الأنماط المألوفة، مثل متابعة السيارات بطريقة بسيطة أو الكبح الثابت، أو على نماذج حاسوبية تحاكي السلوك البشري تقريباً. ونتيجة لذلك، يمكن أن تُغفال العديد من المواقف الدقيقة أو غير العادية التي تسبب حوادث حقيقية، وقد تكون أرقام السلامة النهائية متحيزة.

استخراج اللحظات الدالة من حركة المرور الحقيقية

يعتمد الباحثون في عملهم على أكبر دراسة قيادة طبيعية في الولايات المتحدة، مشروع جهّز آلاف السيارات بكاميرات ورادار وحساسات حركة وسجّل عشرات الملايين من أميال القيادة العادية والحوادث. من هذا الكنز بنوا مجموعة تضم نحو 56,000 رحلة عادية مدة كل منها 15 ثانية و90 تسلسلاً فعلياً لحوادث، كل واحد موصوف بـ48 قياساً تلتقط كيف تحرّك السيارة وكيف تصرفت المركبات القريبة ومدى ازدحام المحيط. قد تُظهر حالة اختبار، على سبيل المثال، سيارة تسير على الطريق السريع بينما تقطع أخرى المسار فجأة، أو مقطع هادئ على طريق وعر دون جيران قريبين. هذه المجموعة تعمل كمصغرة إحصائية أمينة لما يحدث فعلياً على طرق الولايات المتحدة.

موازنة المشاهد الشائعة والمخاطر النادرة

لتحويل هذه البُحيرة الضخمة إلى قائمة اختبار عملية، قدم الفريق طريقة أخذ عينات حالات الاختبار بالنواة (Kernel Test Case Sampling — KTCS). تقوم طريقتهم على هدفين واضحين بلغة بسيطة. أولاً، التمثيلية: معاً، يجب أن تشبه الحالات المختارة مزيج القيادة اليومي، بحيث تتطابق حصة اللحظات الهادئة مقابل المجهدة مع ما يواجهه الناس بالفعل. ثانياً، التغطية: يجب أن تتضمن القائمة أيضاً ما يكفي من الحالات غير الاعتيادية وذات المخاطر العالية — ذيل التوزيع الطويل للأحداث النادرة لكن الكاشفة حيث من المرجح أن تتعثر الأنظمة الآلية. رياضياً، تستخدم KTCS أدوات من الإحصاء الحديث وتعلّم الآلة للبحث في فضاء الميزات عن مجموعة صغيرة من الحالات التي تمتد لتغطي الظروف القصوى وتُمكن، عند منحها أوزاناً مضبوطة بعناية، من تقليد التوزيع الكلي للقيادة الحقيقية.

كيف يُختبر الأسلوب الجديد

يقارن الباحثون KTCS بعدة استراتيجيات أخذ عينات رائدة إما توزع الحالات بالتساوي، أو تركز على المناطق الكثيفة، أو تستهدف الشواذ النادرة. طُلِب من كل الأساليب اختيار 118 حالة فقط من المجموعة الكبيرة. تُظهر المخططات البصرية والدرجات العددية أن KTCS أفضل في التقاط شكل البيانات الأصلية: فهي تتوافق عن كثب مع القيادة الحقيقية لكل من الميزات الـ48 المقاسة، مع اختيارها أيضاً للعديد من الحالات البعيدة عن النمط حيث تكون الظروف أكثر تطرفاً. الأساليب المنافسة إما تتركز بشكل مفرط على المشاهد الأكثر أماناً والأكثر شيوعاً أو تطارد الكماليات إلى حدود فقدان الصلة بالواقع اليومي. بالمقابل، تنتج KTCS مجموعة مدمجة تشبه إحصائياً العالم الكامل لحركة المرور ومع ذلك تتضمن السيناريوهات الأكثر أهمية لاعتبارات السلامة.

تحويل نتائج الاختبار إلى درجة سلامة واضحة

بعد بناء مجموعة الاختبار المكررة هذه، يوضح المؤلفون كيفية استخدامها لتقييم نظام القيادة الآلي. يُشغّل كل سيناريو مرة واحدة في المحاكاة أو على الحلبة؛ تعني «نجاح» عدم وقوع حادث، و«فشل» يعني وقوع حادث. ونظراً لأن لكل حالة وزنًا مصاحبًا ومسافة قيادة مفترضة، يجمع الفريق نمط النجاح–الفشل لتحصيل معدل الحوادث المُقدَّر للنظام، معبراً عنه لكل متر من القيادة. ثم يقارنون هذا المعدل بمعدل حوادث السائقين البشر المقاس في نفس الدراسة الوطنية، معرفين كمية يسمونها «معدل المخاطر النسبية» — كم مرة يكون النظام الآلي أكثر خطورة أو أكثر أماناً من البشر. والأهم من ذلك، أن فشل السيناريو الشائع ذو الوزن الكبير يحتسب أكثر ضد النظام من فشل حالة حافة نادرة، مما يعكس مدى مواجهة الناس لكل موقف فعلياً على الطريق.

ماذا يعني ذلك لسيارات القيادة الذاتية في المستقبل

الرسالة الرئيسية في الدراسة هي أننا نستطيع استبدال قيادات الطرد البسيط بعدد كبير من الأميال بمجموعة منتقاة بعناية من السيناريوهات الواقعية وما زال بإمكاننا تقدير السلامة بشكل عادل. تقدم KTCS طريقة مبدئية لتجميع تلك المجموعة بحيث تغطي الحالات الروتينية والخطيرة على حد سواء، ولتحويل النتائج إلى رقم واضح «ما مدى أمانه مقارنةً بالناس». هذا النوع من الاختبارات المعيارية والمبنية إحصائياً قد يساعد المنظمين والشركات والجمهور على اكتساب الثقة بكون أنظمة القيادة الآلية تُقيَّم على أدلة واقعية وشاملة بدلاً من عروض مُنتقاة بعناية أو اختبارات مخبرية مبسطة بشكل مفرط.

الاستشهاد: Qian, C., Xu, J., Xing, X. et al. Test case sampling optimization for safety validation of automated driving systems. Nat Commun 17, 3114 (2026). https://doi.org/10.1038/s41467-026-69675-8

الكلمات المفتاحية: سلامة القيادة الآلية, أخذ عينات حالات الاختبار, بيانات القيادة الطبيعية, سيناريوهات الحالات الحافة, التحقق من سيارات القيادة الذاتية