طريقة توقع مسار المركبات بدون خرائط تعتمد على الرسوم البيانية غير المتجانسة وقيود المشهد الديناميكي

لماذا يهم توقع حركة السيارات من دون خرائط

مع اقتراب السيارات الذاتية من الواقع اليومي، يجب أن تستطيع تقدير المكان الذي تتجه إليه المركبات المجاورة بأمان خلال الثواني القليلة القادمة. تعتمد العديد من أنظمة اليوم على خرائط رقمية فائقة التفصيل لتوجيه هذه التقديرات. لكن هذه الخرائط مكلفة للبناء، وصعبة التحديث، وغالبًا ما تكون مفقودة في الأنفاق أو الطرق الريفية أو شوارع المدن سريعة التغير. تستعرض هذه الدراسة كيف يمكن لأنظمة القيادة الذاتية أن تظل قادرة على إجراء توقعات قصيرة المدى موثوقة حول السيارات المحيطة باستخدام ما تلاحظه على الطريق فقط، دون الاعتماد على خرائط مُعدة مسبقًا.

قراءة الطريق من حركة السائقين

ينطلق المؤلفون من فكرة بسيطة: شكل الطريق مخفي في كيفية قيادتهم عليه. إذا راقبت العديد من السيارات التي تمر من نفس المكان، تكشف مساراتها عن الحارات والانعطافات والتدفقات النموذجية، حتى لو لم ترَ خطًا مرسومًا. تجمع طريقة الفريق، المسماة DynaScene-Pred، مقتطفات قصيرة من الحركة الأخيرة لجميع المركبات في المشهد. ثم تُجمّع المسارات المتشابهة، مثل السيارات المتجهة مستقيمًا أو المنعطفة يسارًا، ومن هذه المجموعات تُرسم "حارات افتراضية" ملساء تتتبع المسارات المحتملة عبر المشهد. تعمل هذه الحارات الافتراضية كمسودة داخلية للطريق، تُبنى سريعًا من البيانات بدلًا من الاعتماد على خريطة مخزنة.

ربط المركبات بالحارات الافتراضية

بمجرد إنشاء الحارات الافتراضية، يتعامل النموذج مع كل مركبة وكل حارة كنقاط في شبكة ويربط بينها بخطوط تصف علاقاتها. تُربط المركبات القريبة لإبراز من قد يؤثر على من، كما تُربط كل مركبة بالحارات الافتراضية التي تتوافق أفضل مع مسارها واتجاهها الأخير. نوع من الشبكات العصبية المصممة للعمل على مثل هذه الشبكات من النقاط والخطوط يمرر المعلومات عبر هذه الروابط. وفي الوقت نفسه، تقرر وحدات الانتباه أي الجيران، وأي الحارات، وأي اللحظات الماضية هي الأكثر أهمية. تمكّن هذه الخطوات النظام من التفكير في السلوك الاجتماعي، مثل تفاعل السيارات مع بعضها، والقيود الفيزيائية، مثل الالتزام بانحناء الطريق.

تصوّر عدة مستقبلات محتملة

القيادة محاطة بعدم اليقين: قد تستمر السيارة في السير مستقيمة، أو تغير الحارة، أو تنعطف، حتى لو بدا مسارها السابق مشابهًا. لمواجهة هذا، لا يصدر DynaScene-Pred مسارًا مستقبليًا واحدًا فقط، بل عدة مسارات. داخل النموذج، يمثل رمز مخفي مضغوط نوايا قيادة مختلفة. أثناء التدريب، يُضبط هذا الرمز بحيث تتوافق تبايناته مع كيفية تصرف السائقين فعليًا في العديد من المشاهد المسجلة. عند إجراء التنبؤ، يأخذ النظام عينات من نسخ متعددة لهذا الرمز ولكل واحدة يرسم مسارًا مستقبليًا ممكنًا يظل ملتزمًا بالحارات الافتراضية وحركة المرور المحيطة. يقود هذا إلى مجموعة صغيرة من الخيارات الواقعية بدلاً من تخمين واحد هش.

الاختبار على حركة المرور الحضرية الحقيقية

يختبر الباحثون منهجهم على مجموعة بيانات Argoverse، وهي مجموعة عامة معروفة لقيادة حضرية حقيقية في مدن الولايات المتحدة. وعلى خلاف العديد من الطرق المنافسة، يتعمدون تجاهل الخرائط المدمجة الغنية ويستخدمون فقط مواضع المركبات عبر الزمن. يقارنون نتائجهم بعدة أنظمة "بدون خرائط" أخرى وكذلك مع أساليب رائدة تستخدم الخرائط. على مقاييس رئيسية مثل متوسط وخطأ الموضع النهائي، ومعدل الحالات التي تفشل فيها كل المسارات المتوقعة في التقاط النتيجة الحقيقية، يتفوق نظامهم باستمرار على غيره من الأساسيات الخالية من الخرائط. على الرغم من أنه لا يضاهي تمامًا الدقة المطلقة لأقوى النماذج المبنية على الخرائط، فإنه يقترب بما يكفي ليُظهر أن الحارات الافتراضية المتعلمة يمكن أن تغني عن الخرائط المكلفة في العديد من الحالات، مع الحفاظ على سرعة المعالجة الكافية للاستخدام في الزمن الحقيقي داخل السيارة.

ما يعنيه هذا لسيارات المستقبل الذاتية القيادة

بالنسبة للقارئ غير المتخصص، الخلاصة الأساسية هي أن السيارات الذاتية قد لا تحتاج دائمًا إلى خرائط مفصلة للغاية لتتصرف بأمان ومعقولية. من خلال مراقبة كيفية تحرك السائقين، يعيد DynaScene-Pred بناء صورة داخلية للطريق ويستخدمها للتنبؤ بعدة مسارات معقولة لكل سيارة مجاورة. تتفوق هذه الاستراتيجية الخالية من الخرائط على النهج السابقة التي اعتمدت فقط على الحركة الخام دون أي مفهوم للحارات. وتوفّر طريقة أكثر مرونة للتعامل مع الطرق المتغيرة أو سيئة الخرائط، مما يقرب القيادة الذاتية خطوة أخرى من العمل بشكل موثوق في ظروف العالم الحقيقي المتنوعة والفوضوية.

الاستشهاد: Liu, H., Bao, Y., Hou, Y. et al. Map-free vehicle trajectory prediction method based on heterogeneous graphs and dynamic scene constraints. Sci Rep 16, 15052 (2026). https://doi.org/10.1038/s41598-026-45445-w

الكلمات المفتاحية: القيادة الذاتية, تنبؤ المسارات, بدون خرائط, مسارات افتراضية, تفاعلات المرور