تحسين أنظمة مراقبة السائق: حالة البيانات الاصطناعية

تستخدم أنظمة مراقبة السائق والعرضية (DMS وOMS) عادةً كاميرات وأجهزة استشعار تعمل بالأشعة تحت الحمراء لجمع معلومات في الوقت الفعلي عن السائق والركاب. وبفضل الرؤية الحاسوبية والتعلم الآلي، يتم بعد ذلك تحليل هذه المعلومات، وتتبع على سبيل المثال نظرة السائق أو تعبيرات وجهه، لتحديد مدى انتباهه وانتباهه للطريق.

وهذا يعني أنه من أجل تقديم أفضل أداء، يحتاج كل من DMS وOMS إلى التدريب على كميات هائلة من البيانات عالية الجودة، بما في ذلك الصور والتسجيلات التي تلتقط أكبر عدد ممكن من المواقف المتنوعة. فكر في السائقين الذين يرسلون رسائل نصية على هواتفهم، أو يشربون أثناء القيادة، أو حتى يميلون إلى المقاعد الخلفية لمنع أطفالهم من القتال.

“بالنسبة لأي شبكة ذكاء اصطناعي، تعد كمية ونوعية البيانات الكافية أمرًا ضروريًا.

في حين أن البيانات المستمدة من الكاميرات وحتى لعب أدوار الممثلين غذت تطوير DMS حتى الآن، فإن استخدام هذه المصادر وحدها لالتقاط كل موقف يمكن تخيله يأتي مع عدة التحديات. إنها مكلفة، وتستغرق وقتًا طويلاً، ومحدودة في التباين، وترتبط بمخاوف تتعلق بالخصوصية.

وهنا تأتي أهمية البيانات الاصطناعية، وفقا لبريمر. “الجزء المحتمل والمثير للاهتمام بشأن البيانات الاصطناعية هو أنه يمكنك تقليل الوقت والتكلفة وكذلك زيادة أداء الشبكة.”

كيف تعمل تقنية ديفانت

تستخدم الشركة الناشئة التي يقع مقرها في نورشوبينغ عملية خطوة بخطوة على منصتها، حيث تجمع بين أنواع مختلفة من الأصول ثلاثية الأبعاد لإنشاء الصور والرسوم المتحركة. في حالة السيارات، يمكن أن يكون هذا المحتوى عبارة عن كبائن وأشخاص ثلاثي الأبعاد – مكملين بتفاصيل مثل الملحقات أو الملابس أو النظارات.

لضمان الحصول على نتيجة عالية الجودة لا تعبث بأداء شبكة التعلم الآلي، يتم التحقق من موثوقية البيانات ودقتها من خلال سلسلة من أنظمة تقييم الجودة طوال العملية بأكملها.

يقول بريمر: “عندما يتعلق الأمر بما قمنا ببنائه، فإن الأمر يتعلق في المقام الأول بالتأكد من اختبار البيانات والتحقق من صحتها”.

يتمثل هدف Devant من نماذجها البشرية ثلاثية الأبعاد في تحقيق ثلاثة أهداف: التوافق مع الشكل الذي تبدو عليه الأشياء في العالم الحقيقي، وتوسيع تنوعها وتقديم أكبر نطاق من السيناريوهات الممكنة المختلفة، والتوافق مع متطلبات العملاء.

لهذا السبب، تقدم الشركة السويدية الناشئة أداة تكوين للمستخدمين لتحديد المعلمات التي تتوافق مع احتياجاتهم. يمكن أن تتراوح التعديلات من متغيرات أكثر عمومية (مثل العمر والعرق والجنس) إلى تفاصيل أكثر تحديدًا، بما في ذلك الملابس أو تكرار حركة الجفن أو ظروف الإضاءة داخل السيارة.

وفي شهر يونيو، انضمت الشركة إلى شركة Seeing Machines ومقرها أستراليا، وهي شركة مطورة لأنظمة (DMS وOMS) التي تستخدمها شركات تصنيع السيارات الكبرى.

من خلال الشراكة، ستستخدم Seeing Machines عمليات محاكاة Devant ثلاثية الأبعاد لتدريب شبكات التعلم الآلي الخاصة بها والتحقق من صحتها، بهدف تعزيز أنظمة المراقبة داخل المقصورة وإنشاء مجموعة بيانات واسعة النطاق لسلوكيات السائق المشتتة التي تتوافق مع متطلبات EuroNCAP.

الجودة لا تقل أهمية عن الكمية

يوضح بريمر أن الاستفادة حقًا من إمكانات البيانات الاصطناعية لا تقتصر على الضغط على زر وإنشاء ملايين الصور في غضون أيام قليلة. يتعلق الأمر أيضًا بجودة البيانات ودقتها.

الفرضية بسيطة. “لكي تؤدي أي شبكة ذكاء اصطناعي أداءً جيدًا قدر الإمكان، يجب توفير كمية كافية و الجودة الكافية ضرورية.”

يقول بريمر إن الجانب الواعد فيما يتعلق بالبيانات التي يتم إنشاؤها بواسطة الكمبيوتر هو “أننا نعرف بالضبط على مستوى البكسل ما تحتويه كل صورة على حدة بفضل البيانات الوصفية المصاحبة لها”. في المقابل، عندما يتعلق الأمر ببيانات العالم الحقيقي، “فأنت لا تتمتع بهذا المستوى من التحكم الدقيق والدقة كما هو الحال مع البيانات الاصطناعية”.

ولكن هناك صيد. كلما قمت بزيادة جودة البيانات عن طريق إضافة المزيد من المعلمات والواقعية لتغطية الكم الهائل من السيناريوهات المحتملة والسلوكيات البشرية، أصبحت أكثر تعقيدًا. وهذا بدوره يزيد من أوقات العرض.

يقول بريمر: “لهذا السبب لم يتبع أحد من قبلنا نهج الجودة هذا تجاه البيانات الاصطناعية، لأنها مكلفة للغاية من حيث وقت العرض”. في الواقع، ناضل Devant لبعض الوقت لحل لغز الحفاظ على الجودة مع تحسين السرعة.

القيود الحالية

وعلى الرغم من الميزة الواضحة التي تتمتع بها البيانات الاصطناعية من حيث الكمية وقدرتها على توفير عمليات محاكاة دقيقة وعالية الجودة، فإن بريمر يؤكد على أنه لا ينبغي لنا أن ننظر إلى هذه التكنولوجيا باعتبارها “الحل السحري”. على الأقل ليس بعد.

بدلًا من ذلك، يقول إن استبدال بيانات العالم الحقيقي بما يعادلها من الكمبيوتر يجب أن يتم من خلال اتباع نهج حذر خطوة بخطوة.

“أعتقد أن أهم شيء يجب أن نتذكره هنا هو أن نظام إدارة الوجهات السياحية (DMS) عبارة عن أنظمة بالغة الأهمية للحياة”، كما يشير. ولا يزال هناك عدد من التحديات التي يجب التغلب عليها، والتي تتجاوز الحاجة إلى وجود آلاف النماذج ثلاثية الأبعاد لضمان التغطية الكافية.

التحدي الأول هو تحديد عتبة لما يشكل البيانات الجيدة والسيئة، والتي سوف تستكشفها ديفانت بالتعاون مع شركة Seeing Machines. والثاني هو تحديد البيانات التي ستعترف بها شبكة التعلم الآلي على أنها مهمة بدرجة كافية لاستخدامها.

تبذل الشركة الناشئة أيضًا جهدًا إضافيًا لتغطية المزيد من جوانب بصريات الكاميرا. يوضح بريمر: “إن محاكاة معلمات الكاميرا المختلفة أمر معقد للغاية، خاصة عندما تحتاج إلى القيام بذلك خلال وقت عرض محدود لكل صورة”.

الطريق الى الامام

حتى الآن، عمل ديفانت على مستويات مختلفة من إلهاء السائق، مع التركيز بشكل خاص على محاكاة العين بشكل واقعي، بحركاتها المختلفة، وسلوكيات الجفن، وأحجام الحدقة المتنوعة.

من خلال الشراكة مع Seeing Machines، تهدف الشركة الناشئة إلى تسلق سلم التعقيد والاستمرار في إضافة الميزات التي ستغطي بروتوكول EuroNCAP بأكمله. ومن هنا، يرى بريمر أن النعاس هو “الشيء الطبيعي التالي”، مع كون التسمم احتمالًا آخر مثيرًا للاهتمام على قائمة الشركة.

كان قرار Devant لتطوير البيانات الاصطناعية التي تركز على الإنسان لصناعة السيارات قرارًا مستهدفًا من التوقعات، مدفوعًا بفرصة العمل التي يوفرها الاهتمام المتزايد بنظام إدارة الوجهات السياحية (DMS) ولوائح الاتحاد الأوروبي الوشيكة. ووفقا لبريمر، كان الأمر يتعلق أيضا بتوليد قيمة فعلية واستخدام التكنولوجيا بطريقة تعود بالنفع على الناس.

وبعيدًا عن مجال السيارات، تتصور الشركة الناشئة صناعات محتملة أخرى حيث يمكن لتقنيتها أن تحدث تأثيرًا إيجابيًا، مثل تدريب أنظمة الذكاء الاصطناعي على اكتشاف علامات الأمراض في مرحلة مبكرة.