خلال السنوات القليلة الماضية، شهدت أبحاث أنظمة القيادة الذاتية (Autonomous Systems) تطوراً مهماً، حيث أصبحت هذه الأنظمة مهيأة بشكل جيد لتحويل الأبحاث إلى استخدامات عملية مدفوعة من أصحاب المصلحة في مجالات محددة. ومع ذلك، يعتبر الامتثال للوائح السلامة أمراً أساسياً لتحقيق الاعتماد على نطاق واسع لهذه الأنظمة. تعد الفصول التشغيلية (Operational Design Domain - ODD) عنصراً محوريًا في هذا السياق، حيث تحدد الظروف المحددة التي يمكن أن يعمل فيها الوكيل الذاتي.

تزداد أهمية هذا الأمر بشكل خاص مع نظم القيادة الذاتية الآلية (Automated Driving Systems - ADS)، حيث إن الإدراك الموثوق لعناصر النطاق التشغيلي أمر ضروري لضمان التنفيذ الآمن والمراجعة.

تدعم نماذج الرؤية واللغة (Vision-Language Models - VLMs) القدرة على التعرف بصرياً والقدرة على التفكير اللغوي، مما يجعلها مناسبة لاستشعار النطاق التشغيلي بطريقة مرنة دون الحاجة إلى بيانات تدريب خاصة بالمهام.

في هذا البحث، قمنا بتقديم دراسة تجريبية لتصنيف واكتشاف النطاق التشغيلي في وضع عدم وجود تدريب، باستخدام أربعة نماذج للرؤية واللغة على مجموعة بيانات مخصصة وMapillary Vistas، إلى جانب تحليل حالات الفشل.

كما قمنا بإجراء تحليل لتقنيات تحسين عدم وجود تدريب مع نظرة عامة على التكلفة والأداء، ومع ذلك، أظهرت النتائج أن الطريقة القائمة على السلسلة المعززة للتفكير مع توزيع الشخصية تؤدي إلى أفضل النتائج، بينما قد تؤدي طرق أخرى إلى انخفاض في ذاكرة الاسترجاع.

بالمجمل، تفتح نتائجنا الطريق أمام إدراك النطاق التشغيلي بشكل شفاف وفعال في التطبيقات الحرجة للسلامة. ما هي توقعاتكم حول مستقبل القيادة الذاتية؟ شاركونا في التعليقات.