یادگیری ماشین و الگوریتم قابل تطبیق

الگوریتم قابل تطبیق حجم کار ذهنی رانندگان را برای بهبود ایمنی (رانندگی) کنترل می کند، ایمنی جاده را می توان با یک الگوریتم سازگار بهبود بخشید که پیش بینی می کند چه زمانی رانندگان قادر به تعامل ایمن با سیستم های داخل خودرو یا دریافت پیام هستند.

محققان دانشگاه کمبریج با همکاری جگوار لندرور (JLR) از ترکیبی از آزمایش‌های جاده‌ای و یادگیری ماشین و هوش مصنوعی، به‌علاوه تکنیک‌های فیلتر بیزی برای اندازه‌گیری بار کاری راننده به‌طور قابل اعتماد و مداوم استفاده کردند.

رانندگی در یک منطقه ناآشنا ممکن است به معنای حجم کاری زیاد باشد، در حالی که رفت و آمد روزانه ممکن است به معنای حجم کاری کمتر باشد.

گفته می شود که الگوریتم حاصل بسیار سازگار است و می تواند در زمان واقعی به تغییرات رفتار و وضعیت راننده، شرایط جاده، نوع جاده یا ویژگی های راننده پاسخ دهد.

سپس این اطلاعات می‌تواند در سیستم‌های داخل خودرو مانند سیستم اطلاعات سرگرمی و ناوبری، نمایشگرها، سیستم‌های پیشرفته کمک راننده (ADAS) و غیره گنجانده شود و سپس هر تعامل وسیله نقلیه راننده را می توان برای اولویت بندی ایمنی و افزایش تجربه کاربر سفارشی کرد و تعاملات ماشین انسانی سازگار را ارائه کرد.

کاربردهای بالقوه این الگوریتم امیدوارکننده است و با گنجاندن اطلاعات بار کاری در سیستم‌های داخل خودرو مانند نمایشگرهای اطلاعات سرگرمی و ناوبری، و همچنین سیستم‌های پیشرفته کمک راننده (ADAS) می‌توان به تعامل راننده-وسیله نقلیه سفارشی‌تر و مبتنی بر ایمنی بیشتر دست یافت.

به عنوان مثال رانندگان را می توان فقط در دوره های کم کاری هشدار داد و از تمرکز کامل آنها در جاده در سناریوهای رانندگی چالش برانگیز اطمینان حاصل کرد.

دکتر بشار احمد از دپارتمان مهندسی کمبریج بر اهمیت درک وضعیت راننده قبل از اجرای هر گونه تعامل راننده و وسیله نقلیه تاکید کرد، این الگوریتم با ارزیابی بار کاری راننده که می‌تواند به دلیل عواملی مانند جاده‌های ناآشنا، ترافیک سنگین یا شرایط نامناسب جاده در نوسان باشد، این نگرانی را برطرف می‌کند.

در حالی که الگوریتم‌های موجود بر ابزارهای خاصی مانند ردیاب‌های نگاه چشم و مانیتورهای ضربان قلب تکیه می‌کنند، محققان کمبریج به دنبال رویکردی همه‌کاره‌تر بودند. الگوریتم آن‌ها از سیگنال‌های عملکرد رانندگی به‌راحتی در دسترس، مانند داده‌های فرمان، شتاب و ترمز استفاده می‌کند و آن را برای هر خودرویی قابل اجرا می‌کند.

تاثیر بالقوه این الگوریتم در بهبود ایمنی جاده را نمی توان دست کم گرفت. با اولویت دادن به تجربه کاربر و اطمینان از دریافت اطلاعات و هشدارهای رانندگان در زمان مناسب، این الگوریتم پتانسیل کاهش چشمگیر حواس پرتی و افزایش ایمنی کلی راننده را دارد.

یافته های تیم تحقیقاتی که در مجله IEEE Transactions on Intelligent Vehicles منتشر شده است، گامی مهم به سوی آینده ای امن تر و کارآمدتر برای کاربران جاده است و همانطور که تکنولوژی به پیشرفت خود ادامه می دهد، راه حل های نوآورانه مانند این الگوریتم سازگار نقشی حیاتی در شکل دادن به آینده حمل و نقل ایفا می کند.

بخش سؤالات متداول بر اساس موضوعات و اطلاعات اصلی ارائه شده در مقاله:

1. هدف از الگوریتم توسعه یافته توسط محققان دانشگاه کمبریج چیست؟

   این الگوریتم برای پیش بینی زمانی که رانندگان در موقعیتی هستند که به طور ایمن با سیستم های داخل خودرو ارتباط برقرار می کنند یا پیام ها را هنگام رانندگی دریافت می کنند، با هدف ایجاد انقلابی در ایمنی جاده طراحی شده است.

2. الگوریتم چگونه توسعه یافت؟

   این الگوریتم با استفاده از ترکیبی از آزمایش‌های دنیای واقعی، یادگیری ماشین و تکنیک‌های فیلتر بیزی توسعه داده شد، با ارزیابی متغیرهایی مانند شرایط جاده، رفتار راننده، نوع جاده و حتی ویژگی های راننده، بار کاری راننده را اندازه گیری می کند.

3. کاربردهای بالقوه این الگوریتم چیست؟

   این الگوریتم را می توان در سیستم های داخل خودرو مانند نمایشگرهای اطلاعات سرگرمی و ناوبری و همچنین سیستم های پیشرفته کمک راننده (ADAS) گنجاند و این اجازه می دهد تا تعامل راننده-وسیله نقلیه سفارشی تر و ایمنی محور تر، با رانندگان هشدار داده شده تنها در دوره های کم حجم کاری.

4. الگوریتم از چه سیگنال های عملکرد رانندگی استفاده می کند؟

   این الگوریتم از سیگنال‌های عملکرد رانندگی به آسانی در دسترس مانند داده‌های فرمان، شتاب و ترمز استفاده می‌کند و آن را برای هر خودرویی قابل اجرا می‌کند.

5. چگونه این الگوریتم می تواند ایمنی جاده را بهبود بخشد؟

   با اولویت دادن به تجربه کاربر و اطمینان از دریافت اطلاعات و هشدارهای رانندگان در زمان مناسب، این الگوریتم می تواند به طور قابل توجهی حواس پرتی را کاهش دهد و ایمنی کلی راننده را افزایش دهد.

تعاریف هر واژه یا اصطلاح کلیدی مورد استفاده در مقاله:

• الگوریتم: در این زمینه، یک الگوریتم به مجموعه ای از قوانین یا دستورالعمل هایی اطلاق می شود که یک برنامه کامپیوتری برای حل یک مشکل یا انجام یک کار خاص از آنها پیروی می کند.

• تکنیک های فیلتر بیزی: فیلتر بیزی روشی آماری است که برای تخمین احتمال وقوع یک رویداد یا موقعیت خاص بر اساس دانش و مشاهدات قبلی استفاده می شود.

• بار کاری: بار کاری به نیازهای روحی و جسمی فرد در حین انجام یک کار یا فعالیت اشاره دارد.

• سیستم‌های داخل خودرو: سیستم‌های داخل خودرو، سیستم‌های الکترونیکی هستند که در داخل خودرو وجود دارند، مانند سیستم‌های اطلاعات سرگرمی (ارائه سرگرمی و اطلاعات) و سیستم‌های پیشرفته کمک راننده (ارائه ویژگی‌های ایمنی و کمک به راننده).

در بیانیه ای دکتر بشار احمد، از دپارتمان مهندسی کمبریج، گفت: داده های بیشتر و بیشتری همیشه در اختیار رانندگان قرار می گیرد با این حال با افزایش سطح تقاضای راننده، این می تواند یک عامل خطر بزرگ برای ایمنی جاده باشد.

اطلاعات زیادی وجود دارد که یک وسیله نقلیه می تواند در اختیار راننده قرار دهد، اما انجام این کار ایمن یا عملی نیست مگر اینکه از وضعیت راننده اطلاع داشته باشید.

وضعیت یک راننده - یا حجم کاری - می تواند اغلب تغییر کند.

رانندگی در یک منطقه جدید، در ترافیک سنگین یا در شرایط نامناسب جاده معمولاً سخت تر از رفت و آمد روزانه است.

احمد گفت: «اگر در شرایط رانندگی سختی هستید، زمان بدی برای ظاهر شدن یک پیام بر روی صفحه نمایش یا نمایشگر هدآپ است.

مشکل سازندگان خودرو این است که چگونه میزان اشتغال راننده را اندازه‌گیری کنند و تنها زمانی که راننده از دریافت آن‌ها خوشحال باشد، تعامل ایجاد کنند یا پیام‌ها یا درخواست‌ها را صادر کنند.

بیشتر از AUTOMOTIVE

الگوریتم‌هایی وجود دارند که تقاضای راننده را با استفاده از ردیاب‌های نگاه چشم و داده‌های بیومتریک از مانیتورهای ضربان قلب اندازه‌گیری می‌کنند، اما محققان کمبریج می‌خواستند رویکردی را با استفاده از اطلاعات موجود در هر خودرو، به‌ویژه سیگنال‌های عملکرد رانندگی مانند داده‌های فرمان، شتاب و ترمز ایجاد کنند.

همچنین باید بتواند جریان‌های داده‌های غیرهمگام متفاوتی را که دارای نرخ‌های به‌روزرسانی متفاوتی هستند، مصرف کرده و ترکیب کند، از جمله در صورت وجود، حسگرهای بیومتریک.

برای اندازه گیری حجم کاری راننده، محققان ابتدا نسخه اصلاح شده ای از وظیفه تشخیص محیطی را برای جمع آوری اطلاعات بار کاری ذهنی در حین رانندگی توسعه دادند، برای این آزمایش، تلفنی که مسیری را در یک برنامه ناوبری نشان می‌داد، به دریچه هوای مرکزی خودرو، در کنار یک چراغ حلقه کوچک LED که در فواصل منظم چشمک می‌زند، نصب شد.

تجزیه و تحلیل ویدئویی آزمایش، همراه با داده‌های دکمه‌ها، به محققان این امکان را می‌دهد تا موقعیت‌های بار کاری بالا را شناسایی کنند، مانند تقاطع‌های شلوغ یا یک وسیله نقلیه در جلو یا پشت راننده که رفتار غیرمعمولی دارد.

سپس داده‌های جاده‌ای برای توسعه و اعتبارسنجی یک چارچوب یادگیری ماشینی نظارت‌شده برای مشخصات رانندگان بر اساس میانگین بار کاری که تجربه می‌کنند، و یک رویکرد فیلتر بیزی سازگار برای تخمین متوالی، در زمان واقعی، بار کاری آنی راننده، با استفاده از چندین مورد استفاده شد. (سیگنال های عملکرد رانندگی از جمله فرمان و ترمز)

احمد گفت: برای اکثر برنامه‌های یادگیری ماشینی مانند این شما باید آن را روی یک راننده خاص آموزش دهید، اما ما توانسته‌ایم مدل‌ها را در حال حرکت با استفاده از تکنیک‌های ساده فیلتر بیزی تطبیق دهیم.

مالکیت معنوی مجله انرژی (energymag.ir) علامت تجاری ناشر است... سایر علائم تجاری مورد استفاده در این مقاله متعلق به دارندگان علامت تجاری مربوطه می باشد، ناشر وابسته یا مرتبط با دارندگان علامت تجاری نیست و توسط دارندگان علامت تجاری حمایت، تایید یا ایجاد نشده است، مگر اینکه خلاف آن ذکر شده باشد و هیچ ادعایی از سوی ناشر نسبت به حقوق مربوط به علائم تجاری شخص ثالث وجود ندارد.