تأمل في مستقبل القيادة الذاتية، حيث تعد المركبات الآلية (Automated Vehicles) بإحداث ثورة في عالم النقل. ورغم الوعود التي تحملها هذه المركبات، يظل تحقيق الموثوقية أثناء تأدية المهام في ظروف الحياة الواقعية مهمًا بالغ الأهمية. وخصوصًا بسبب وجود حالات نادرة وغير متوقعة تُعرف بالحالات الحرجة (Edge Cases).

تشير الأبحاث الحالية إلى وجود العديد من الأساليب للكشف عن هذه الحالات، ولكن يفتقر المجال إلى دراسة شاملة تُراجع هذه التقنيات. لهذا السبب، يطرح البحث الجديد تصنيفاً هرمياً منهجياً لأساليب الكشف عن الحالات الحرجة وتقييمها.

يتم تنظيم هذا التصنيف على مستويين: الأول يتعلق بوحدات المركبات الآلية مثل الوحدات المعنية بالإدراك (Perception) والتخطيط (Planning) والتحكم (Control)، والثاني يتعلق بالمناهج والأسس النظرية التي تقود هذه التقنيات.

أحد الابتكارات التي تم تقديمها هو الأساليب المدفوعة بالمعرفة (Knowledge-driven)، التي تكمل الطرق المعتمدة على البيانات (Data-driven) من خلال الاستفادة من رؤى الخبراء والمعرفة المحلية لتحديد الحالات التي قد تكون غائبة عن مجموعات البيانات التدريبية.

كما يقوم البحث بفحص تقنيات ومقاييس تقييم أساليب الكشف، مثل أداء الكشف (مثل الدقة، الاستدعاء، ومعدلات الإيجابيات الكاذبة)، ونشرها العملي، بالإضافة إلى مقاييس محددة لكل مجال.

يتمثل التحدي الأكبر في الكشف عن هذه الحالات في مشكلات توفر وجودة البيانات، وقيود التحقق وقابلية الفهم، والفجوة بين المحاكاة والواقع، والقيود الحاسوبية. يُوفر هذا التصنيف الهرمي مراجعة شاملة للأساليب والتقنيات، مما يمكّن من إنشاء أطر اختبار موجهة تساعد في اختيار أساليب الكشف المناسبة لكل وحدة فرعية من المركبة الآلية.

باختصار، يستكشف هذا البحث كيفية تعزيز مستويات السلامة والكفاءة في القيادة الآلية، مما يعكس أهمية البحث المستمر في هذا المجال.