إطار تنبؤي ديناميكي لمخاطر تغيير المسار بناءً على التعرف على نية السائق على أسطح ثلجية وجليدية

لماذا تهم تغييرات المسار في فصل الشتاء

بالنسبة لأي شخص أمسك المقود بإحكام أكثر على طريق سريع مغطى بالثلج، قد تبدو تغييرات المسار أكثر ما يثير القلق في القيادة الشتوية. الأسطح الزلقة، وزيادة مسافات التوقف، وردود الفعل المتوترة كلها ترفع احتمال أن ينتهي التحايل البسيط لتجاوز سيارة أبطأ بمأساة. تستكشف هذه الدراسة كيفية التنبؤ بخطورة تغيير المسار قبل حدوثه بعدة ثوانٍ، باستخدام ليس فقط ما تفعله السيارة على الطريق، بل أيضاً كيف ينظر السائق ويتفاعل داخل المركبة. الهدف هو منح السيارات المستقبلية وأنظمة مساعدة السائق وقت إنذار كافٍ لمنع الحوادث على الطرق المثلجة والثلجية.

نظرة معمقة على القيادة الشتوية

لدراسة المواقف الخطرة بأمان، بنى الباحثون محاكاة قيادة عالية الواقعية بدلاً من إرسال الأشخاص إلى طرق سريعة مثلجة حقيقية. جلس المتطوعون داخل مقصورة سيارة كاملة مركبة على منصة حركة، أمام شاشة منحنية واسعة أعادت خلق طريق سريع صيني حقيقي في ظروف عادية ومغطاة بالثلوج. كان للطريق الافتراضي حركة مرورية معتدلة، مع سيارات وشاحنات محيطة تتحرك بشكل طبيعي. في الوقت نفسه، سُجلت ثلاثة أنواع من البيانات بسرعة عالية: حركة المركبات على الطريق، وحركات عيون ورأس السائق، وإشارات جسدية مثل نشاط القلب والجلد. هذا المزيج الغني من المعلومات التقط ليس فقط موقع السيارة وسرعتها، بل أيضاً مدى توتر السائق وتركيزه ونشاطه أثناء الاستعداد لتغيير المسار.

من نية السائق إلى الإنذار المبكر

أحد الاستنتاجات الأساسية في هذا العمل هو أن الخطر لا يبدأ عندما تبدأ السيارة فعلياً في الانحراف إلى الحارة المجاورة. يبدأ عندما يفكر السائق لأول مرة في القيام بهذه الحركة. في الطرق الجليدية، وُجد أن فترة «النية» هذه تستغرق في المتوسط نحو 6.1 ثانية — أي أطول بأكثر من ثلث مما هي عليه على الأسفلت الجاف — لأن السائقين يحتاجون مزيداً من الوقت لفحص المرايا، وتقدير الفجوات، وبناء الثقة. استخدم الفريق نوعاً متقدماً من الشبكات العصبية العودية للتعرف على هذه النية الخفية من بيانات السلاسل الزمنية. من خلال تغذية سلوك المقود، وحركات العيون، والإشارات الجسدية، وحركة السيارات القريبة إلى نموذجهم Multi‑BiLSTM، تمكنوا من التمييز ما إذا كان السائق يستعد لتغيير المسار إلى اليسار أو إلى اليمين أو البقاء في الحارة، بدقة تقارب 96–98% حتى تحت ظروف الشتاء.

تحويل الحركة المعقدة إلى درجة خطر

التعرف على النية ليس سوى نصف القصة؛ النصف الآخر هو تقييم مدى خطورة تغيير المسار المقصود. جمع الباحثون فكرتين تلتقطان الخطر بطرائق مختلفة. تشرح إحداهما بعد كم من الوقت ستقع تصادماً بين مركبتين إذا حافظتا على سرعتهما ومسارهما الحاليين، بينما تقارن الأخرى المسافة المطلوبة للتوقف بأمان مع المسافة المتاحة فعلياً، مع مراعاة انخفاض احتكاك الثلج والجليد. حوّلت هذه المقاييس، التي تعكس التوقيت والتباعد، إلى احتمالات التعرض والشدة ثم دمجت في مؤشر خطر واحد لتغيير المسار. بدلاً من اختيار حدود يحددها البشر، سمح الفريق لخوارزمية تجميع أن تقسم ملايين اللحظات المحاكاة إلى ثلاث فئات طبيعية: منخفض، ومتوسط، وعالي الخطورة. كانت معظم المواقف منخفضة المخاطر، لكن الطرق الجليدية أنتجت العديد من أحداث الخطر المتوسط والعالي أكثر من الطرق العادية.

نماذج ذكية لقرارات تُتخذ في أجزاء من الثانية

للتنبؤ بالفئة التي سيقع فيها تغيير المسار من حيث الخطر، درب المؤلفون نموذج تعلم آلي سريع قائم على الأشجار يُدعى LightGBM. استخدم مجموعة منتقاة بعناية من الميزات من فترة نية السائق فقط — مثل نشاط التوجيه، وإشارات ضغط الجسم، وحركة المركبة، والمسافات إلى السيارات المحيطة — إلى جانب تسمية الخطر المحسوبة مسبقاً من تنفيذ المناورة اللاحق. عند مقارنته بطرق شائعة أخرى مثل الغابات العشوائية، وآلات المتجه الداعمة، وXGBoost، تفوق نموذج LightGBM. صنف بشكل صحيح مخاطر تغييرات المسار في الشتاء حوالي 97.5% من الوقت، وكان جيداً بشكل خاص في تجنب أخطر خطأ: وصف مناورة عالية الخطورة بأنها «منخفضة المخاطر». كما تسمح بنية النموذج للمهندسين برؤية العوامل التي تدفع الموقف نحو الخطر بشكل أقوى، مما يساعد على إبقاء النظام شفافاً.

ما يعنيه هذا من أجل طرق شتوية أكثر أماناً

بعبارات بسيطة، تظهر هذه الدراسة أن السيارات يمكن تعليمها "للإحساس" ليس فقط بمدى انزلاق الطريق وبمدى قرب المركبات الأخرى، بل أيضاً بوقت استعدا السائق للقيام بحركة وما إذا كانت تلك الحركة مرجحة أن تكون آمنة. من خلال الجمع بين التعرف المبكر على النية ونظرة مفصلة للمخاطر، يمكن للإطار المقترح أن يدعم أنظمة مساعدة السائق المستقبلية التي تحذر السائقين، تضبط السرعة، أو حتى تؤخر تغيير المسار عندما تبدو الظروف سيئة. وعلى الرغم من أن العمل يستند إلى بيانات المحاكاة ويركز على سيناريوهات الطرق السريعة مع عدد محدود من السيارات القريبة، فإنه يمهد أساساً مهماً للمركبات الذكية والسيارات المترابطة التي تساعد بعضها البعض على التنقل في الطرق المثلجة والثلجية بمفاجآت وحوادث أقل.

الاستشهاد: Zhao, W., Du, X., Wang, Z. et al. A dynamic risk prediction framework of lane-changing behavior based on driving intention recognition on icy and snowy surfaces. Sci Rep 16, 9572 (2026). https://doi.org/10.1038/s41598-025-21369-9

الكلمات المفتاحية: سلامة القيادة الشتوية, مخاطر تغيير المسار, نية السائق, المركبات الذكية, التعلم الآلي في المرور