في عالمنا المتسارع، لا يزال تتبع الدراجات المشتركة يمثل تحديًا كبيرًا، خاصة في المناطق الحضرية التي تعاني من تعقيدات مثل الكانيونات الحضرية. على الرغم من أن أنظمة الملاحة عبر الأقمار الصناعية (GNSS) تقدم حلولًا فعالة تتعلق بمواقع الدراجات في الهواء الطلق، إلا أن هذه التقنيات لا تضمن الدقة في البيئات المغلقة، حيث تكون أنظمة الملاحة القابلة للحركة هي الخيار الوحيد المتاح.

لقد عانت تقنياتنا التقليدية، التي تعتمد على مستشعرات الحركة منخفضة التكلفة، من عوائق مستمرة مثل انزلاق القيم وقلة المتانة. لكن الأبحاث الأخيرة تقترح إطار عمل ثوري لتتبع الدراجات يعتمد على دمج قيود ميكانيكية للدراجات مع نموذج خليط من الخبراء.

تستند الفكرة إلى استغلال عدة وحدات تدريبية، تقوم بالتقاط تمثيلات مشتركة وتوزينها من خلال آلية تصنيف مرنة، مما يعزز أداء التعلم المتعدد المهام ويتيح تقدير المسار مع وعي أكبر بالشكوك. ومن خلال تحليل العلاقة الداخلية بين سلوكيات الدواسة الدورية للسائق وتغيرات التسارع، تستطيع هذه الطريقة تحويل الأنماط إلى سرعة للعجلات لتوفير معايرة ديناميكية دقيقة.

وقد أظهرت التجارب العملية على بيانات ركوب حقيقية من منصة DiDi أن نظامنا يزيد من دقة تتبع الدراجات بنسبة تزيد عن 12%، مع أخطاء سرعة العجلات أقل من 0.5 م/ث عند النسبة المئوية 95.

هذه الابتكارات ليست مجرد خطوات نحو تحسين تقنية التتبع، بل تمثل أيضًا تقدماً هائلاً نحو توفير بيئات أكثر ذكاءً وأماناً للدراجات المشتركة.