تُعد القدرة الشاملة على فهم مشاهد المرور جزءًا أساسيًا من أنظمة النقل الذكية (Intelligent Transportation Systems)، حيث تشكل التطبيقات مثل محاكاة المرور محورًا رئيسيًا في هذا المجال. ومع تقدم نماذج الرؤية واللغة (Vision-Language Models) في قدرتها على التفاعل الذكي، يظل استخدام هذه النماذج في رسم الخرائط من منظور الطيران (Bird's-Eye View) محدودًا، وذلك لعدة أسباب تشمل تعريفات المهام الضيقة ونقص البيانات المشروحة.
في هذا السياق، نقدم ChatBEV-QA، الذي يُعتبر معيارًا واسع النطاق يتضمن أكثر من 137,000 زوج من الأسئلة والأجوبة، ويهدف إلى تقييم الفهم العام لمشاهد المرور، والتفاعلات بين المركبات والمسارات، وتفاعلات المركبات فيما بينها ضمن بيئات المرور المعقدة.
ولبناء هذا الأساس القوي، قمنا بتحسين ChatBEV، وهو نموذج رؤية ولغة متخصص يمكنه تفسير استفسارات متنوعة تتعلق بفهم المشاهد من خرائط BEV بدقة عالية.
ولإثبات فائدة هذا التطور في التطبيقات الخاصة بأنظمة النقل الذكية، تم إدماج ChatBEV في إطار محاكاة المرور المدعوم باللغة، مما يوفر توجيهًا استنادًا إلى فهم عالمي واستدلال على التنقل. وقد أظهرت هذه المنظومة الجديدة تقليص خطأ انحراف المسارات بنسبة تصل إلى 20.9% وتقليل معدلات الاصطدامات في السيناريوهات المختلفة بنسبة تصل إلى 37.9% مقارنة بالأساليب التي تعتمد فقط على النصوص.
إن هذه التقنية تمثل خطوة هامة نحو تحسين الفهم العام والتفاعل مع مشاهد المرور، مما يفتح الآفاق لتطورات جديدة في عالم النقل الذكي. في ضوء هذه الابتكارات، كيف ترى دور الذكاء الاصطناعي في تطوير أنظمة النقل في المستقبل؟ شاركونا آرائكم في التعليقات!