تُعتبر تشكيلات المركبات (Vehicular Platooning) إحدى الابتكارات الواعدة في مجال النقل، حيث تُعزز من كفاءة التشغيل وسلامة المركبات عبر التنسيق بين عدة مركبات بفضل تكنولوجيا الاتصال بين المركبات (Vehicle-to-Everything - V2X). إلا أن هذه التشكيلات، بالرغم من فوائدها، تعرضت لمخاطر أمنية خطيرة نتيجة للطبيعة الموزعة للتنسيق، مما يسمح للمركبات المعتمدة بحقوق الدخول بحقن بيانات حركية مزيفة، ما يُهدد استقرار العمل وسلامة الركاب.

تُواجه الأساليب التقليدية لكشف المخالفات، المعتمدة على فحوصات المنطق والطرق الإحصائية، ارتفاعًا في معدلات النتائج الإيجابية الخاطئة (False Positive - FP)، ولا تستطيع معالجة التفاعلات الزمنية المعقدة بين المركبات أثناء التنسيق. وهنا يأتي دور تكنولوجيا AIMformer.

AIMformer هو إطار عمل يعتمد على التحويلات (Transformers) مُصمم خصيصًا للاكتشاف الفوري للمخالفات في تشكيلات المركبات، مع إمكانية نشره على حواف الشبكة. يستخدم AIMformer آليات التركيز الذاتي متعدد الرؤوس (Multi-Head Self-Attention) لفهم الديناميكيات الزمنية داخل كل مركبة، مع تضمين متغير مكاني زمني (Spatio-Temporal) لمزيد من النمذجة للعلاقات المكانية بين المركبات.

يعتمد النظام أيضًا على ترميز مكاني عالمي مع إزاحات زمنية خاصة بالمركبة لتعزيز معالجة المناورات التي تشمل الانضمام والخروج. لتلبية متطلبات أنظمة السلامة الحرجة، قمنا باقتراح دالة خسارة تركز على الدقة تُعرف بـ Precision-Focused Binary Cross-Entropy (PFBCE) والتي تعاقب على النتائج الإيجابية الخاطئة.

خضعت AIMformer لتقييمات واسعة عبر أربعة متحكمات تشكيلات، وعدة طرق هجومية، وسيناريوهات تنقل متنوعة، حيث أثبتت تفوقها بأداء مُذهل (≥ 0.93) مقارنةً بالمعمارية الأساسية الرائجة. يُظهر تحليل استخدام التكنولوجيا الرائدة مثل TensorFlow Lite (TFLite)، وOpen Neural Network Exchange (ONNX)، وTensorRT زمن استجابة أقل من مللي ثانية، مما يجعلها ملائمة للعمل الفوري على منصات حافة منخفضة الموارد. وبالتالي، يصبح من الواضح أن AIMformer قابل للتطبيق في كل من المركبات وأماكن البنية التحتية.

هل أنتم مستعدون لاكتشاف المزيد عن هذه التكنولوجيا؟ شاركونا آراءكم في التعليقات!