تعتبر تقنيات التعلم العميق (Deep Learning) والرؤية الحاسوبية (Computer Vision) حجر الأساس في تطوير السيارات ذاتية القيادة، حيث تلعب دورًا محوريًا في تمكين هذه السيارات من إدراك وفهم محيطها، مما يتيح لها التنقل بأمان واتخاذ قرارات في الوقت الحقيقي.

يتيح استخدام الشبكات العصبية (Neural Networks) للسيارات ذاتية القيادة التعرف بدقة على وتصنيف الأجسام المحيطة، مثل المشاة والمركبات الأخرى وإشارات المرور. من خلال تحليل البيانات من أجهزة الاستشعار مثل الكاميرات والرادار، تستطيع هذه السيارات التنبؤ بالحركة المحتملة للأجسام الأخرى والتخطيط لأفعالها بناءً على ذلك.

تقدم الدراسة الجديدة نهجًا مبتكرًا لتحسين أداء السيارات ذاتية القيادة من خلال استخدام الشبكات العصبية المدربة مسبقًا والمخصصة لمهام رئيسية، بما في ذلك تصنيف إشارات المرور، الكشف عن المركبات، كشف الحارات، واستنساخ السلوك.

تدمج المنهجية العديد من التقنيات المبتكرة مثل التحولات الهندسية وتغييرات الألوان لتعزيز البيانات (Data Augmentation)، وتطبيع الصور (Image Normalization)، والتعلم بالنقل (Transfer Learning) لاستخراج الميزات. تم تطبيق هذه التقنيات على مجموعات بيانات متنوعة، تشمل معيار التعرف على إشارات المرور في ألمانيا (GTSRB)، ومجموعات بيانات تقسيم الطرق والحارات، ومجموعات بيانات الكشف عن المركبات، بالإضافة إلى بيانات تم جمعها باستخدام محاكي السيارات ذاتية القيادة من Udacity، لتقييم فعالية النموذج.

تهدف هذه الدراسة إلى مراجعة أحدث التقنيات في التعلم العميق والرؤية الحاسوبية للسيارات ذاتية القيادة. وتساعد النتائج في معالجة التحديات المختلفة المتعلقة بتصنيف إشارات المرور، وتوقع مسارات الحارات، والكشف عن المركبات، واستنساخ السلوك، مما يوفر رؤى قيمة لتحسين قوة وموثوقية الأنظمة الذاتية، ويمهد الطريق لبحث مستقبلي ونشر تقنيات القيادة الذاتية الأكثر أمانًا وكفاءة.