DriveEmo-FL: استشعار العاطفة داخل المقصورة بواسطة الرادار للمركبات الذاتية الاستجابة الذكية

سيارات تستطيع استشعار ما تشعر به

مع اقتراب السيارات ذاتية القيادة من أن تصبح جزءًا من الواقع اليومي، يبقى سؤال أساسي: كيف ستعرف ما يشعر به ركابها؟ رحلة تكون آمنة من الناحية الفنية لكن تترك الناس قلقين أو غاضبين أو مصابين بدوار الحركة لن تبني ثقة. يقدم هذا البحث نظام DriveEmo-FL، الذي يمكّن المركبات الذاتية من استشعار مشاعر الركاب من الحركات الجسدية الطفيفة — دون كاميرات أو أجهزة قابلة للارتداء — ثم ضبط طريقة القيادة وإعدادات المقصورة استجابة لذلك.

قراءة المزاج دون مراقبة وجهك

تعتمد العديد من أنظمة اكتشاف العواطف اليوم على كاميرات تتبع تعابير الوجه أو أجهزة قابلة للارتداء تقيس معدل ضربات القلب وتوصيل الجلد. داخل السيارة، لكلتا الطريقتين عوائق: قد يُخفى الوجه بنظارات شمسية أو إضاءة سيئة، ومعظم الركاب لا يرغبون في ربط أجهزة إضافية بأجسادهم. يستخدم DriveEmo-FL بدلاً من ذلك رادار موجات ملليمترية، جهاز صغير يرسل موجات راديوية ويقيس كيف تنعكس عن الجزء العلوي من جسم الراكب. تحمل هذه الانعكاسات تغيّرات دقيقة في الحركة تغير تردد الموجات المرتدة، وهو نمط يُعرف باسم ميكرو-دوبلر. من خلال التركيز على حركات الكتفين والذراعين والرأس، يمكن للنظام التقاط اختلافات مميزة بين، على سبيل المثال، التصفيق الحماسي، الانكماش الخائف للكتفين، أو سكون الحزن — وكل ذلك مع الحفاظ على الخصوصية البصرية.

من أصداء الرادار الخام إلى أنماط عاطفية

يبني المؤلفون خط معالجة كاملًا يحول أصداء الرادار الخام إلى تقديرات عاطفية في غضون عشرات الملّي ثانية. أولاً، يُنظف الإشارة: تُزال الانعكاسات القوية من المقاعد والطبلون، وتُطبق معالجة رياضية لعزل الحركة المرتبطة بالراكب بدلًا من حركة السيارة. ثم تُحوّل البيانات المُنظفة إلى صور زمن–ترددية — توقيعات ميكرو-دوبلر — تظهر كيف يتوزع طاقة الحركة عبر سرعات مختلفة مع الزمن. بالتوازي، يستخرج النظام إحصاءات حركية بسيطة، مثل مدى تغير حركة الشخص فجأة (المرونة/الرشاقة)، أسرع حركة لوحظت (السرعة القصوى)، وإجمالي طاقة الحركة خلال نافذة زمنية قصيرة. تلتقط هاتان السيلتان — صور الحركة الغنية وملخصات الحركة الموجزة — كلاً من شكل وشدة الإيماءات العاطفية.

دماغ خفيف للمركبة

في قلب DriveEmo-FL يوجد EmoNet، نموذج تعلم عميق مدمج مصمم للعمل بكفاءة على حواسب متنقلة صغيرة. يعالج فرع من EmoNet صور ميكرو-دوبلر مثل شبكة رؤية، ليتعلم أنماطًا متكررة مرتبطة بإيماءات مثل التصفيق، هزّ الرأس، أو النظر ببطء حول المحيط. يعالج الفرع الآخر الإحصاءات الحركية الثلاث لمساعدة التمييز، على سبيل المثال، بين الفرح النشيط والغضب النشيط بنفس الدرجة من الطاقة. تندمج السيلتان وتغذى إلى طبقات قرار مشتركة تُنتج كلًا من النشاط المكتشف ومجموعة العاطفة الأساسية (سعيد، حزين، غاضب، أو خائف). تُحوَّل الإشارات العاطفية في خطوة نهائية إلى نقاط يمكن لنظام القيادة الذاتية استخدامها لتكييف السرعة، نعومة المناورات، الإضاءة، وحتى نبرة مساعدي الصوت داخل السيارة.

التعلم من العديد من السيارات دون مشاركة الأسرار

لكي يصبح النظام قويًا، يجب أن يتعلم من أشخاص من أعمار وثقافات وأنواع أجسام مختلفة، يركبون سيارات وظروف مختلفة. لكن إرسال بيانات الحركة الخام للجميع إلى السحابة يثير مخاوف تتعلق بالخصوصية. يحل DriveEmo-FL هذا عبر التعلم الفدرالي: كل مركبة تُدرّب EmoNet محليًا باستخدام بيانات رادارها فقط، ثم تُشارك تحديثات النموذج المشفّرة فقط مع خادم مركزي. يجمع الخادم هذه التحديثات ليكوّن نموذجًا عالميًا أقوى ويعيده إلى جميع السيارات. في تجارب مع 50 مشاركًا أدى كل منهم 12 إيماءة علوية مميزة، وصل النظام إلى دقة 94.5% أثناء العمل في الزمن الحقيقي، وبقي موثوقًا في سيناريوهات صعبة مثل القيادة في المدينة، أشعة الشمس القوية، الإضاءة المنخفضة، وتداخل الإيماءات.

ما يعنيه ذلك للرحلات المستقبلية

تظهر النتائج مجتمعة أن السيارات الذاتية يمكنها استشعار والاستجابة لحالات الركاب العاطفية باستخدام رادار صغير يحافظ على الخصوصية ونموذج تعلم فعال. دون تسجيل وجه أو صوت على الإطلاق، قد تلاحظ المركبة الذاتية إذا بدا الراكب متوتّرًا أو خائفًا أو مبتهجًا بشكل خاص، فتتكيف بلطف في أسلوب قيادتها وبيئة المقصورة استجابة لذلك. إذا تم تحسين هذه الأنظمة ودمجها مع مؤشرات غير تدخّلية أخرى، فقد تجعل مثل هذه النظم الرحلات المستقبلية ليست أكثر أمانًا على الطريق فحسب، بل أكثر راحة وفهمًا وتركيزًا على الإنسان داخل المقصورة.

الاستشهاد: Imran, N., Alnafisah, K.H., Zhang, J. et al. DriveEmo-FL: in-cabin radar-based emotion sensing for autonomous vehicles smart response. Sci Rep 16, 13600 (2026). https://doi.org/10.1038/s41598-026-43662-x

الكلمات المفتاحية: المركبات الذاتية, التعرف على العواطف, رادار mmWave, استشعار داخل المقصورة, التعلم الفدرالي