في عالم القيادة الذاتية، يعتبر الكشف عن الأجسام من العوامل الحيوية التي تحدد نجاح تلك التقنية. لكن مع تزايد محركات الذكاء الاصطناعي، تظهر الحاجة الملحة إلى حلول أكثر فعالية من حيث الطاقة. وقد أظهرت الأبحاث الحديثة باستخدام الشبكات العصبية المتدفقة (Spiking Neural Networks) نتائج مثيرة للاهتمام.

في دراسة جديدة تم اقتراح شبكة ترميز وفك ترميز عصبية (Encoder-Decoder Network) لاكتشاف الأجسام باستخدام بيانات LiDAR (Light Detection and Ranging)، تعتمد على طريقة جديدة للتعلم من البيانات بدلاً من التركيبات اليدوية التقليدية. وبدعم من تطبيقات الطاقة المنخفضة، تمكنت هذه الشبكة من تحقيق دقة عالية تصل إلى 92.05 نقطة في المعيار المعروف بنموذجKITTI، مما يعني تحسينًا كبيرًا في الأداء بالمقارنة مع الشبكات العصبية التقليدية.

تم تدريب النموذج على نوعين مختلفين: الأول يعتمد على تحديد جهات اتصال العصبونات في مخرجاته لتوفير أقصى دقة، بينما الثاني يستخدم عمليات القنوات العصبية التقليدية بشكل كامل. تحليلات الطاقة أظهرت خفضًا بمعدل 3.33 مرة في استهلاك الطاقة مقارنة بالذكاء الاصطناعي التقليدي.

كل هذه التقدمات تشير إلى إمكانية استخدام الشبكات العصبية المتدفقة في الرؤية الذاتية بكفاءة عالية للغاية، مما يفتح آفاقًا جديدة للتحسين المستمر في هذا المجال المثير.