تنبؤ مسار المركبة باستخدام التعلم العميق لأنظمة المساعدة المتقدمة للسائقين والمركبات المستقلة

يعتبر تنبؤ مسار المركبة أمرًا أساسيًا لأنظمة المساعدة المتقدمة للسائقين (ADAS) والمركبات المستقلة (AVs)، حيث يلعب دورًا حاسمًا في تجنب التصادم، والتخطيط للمسار، والتحكم في حركة المرور. غالبًا ما تتجاهل النماذج التقليدية تقلبات سلوك السائق، لا سيما في أنماط الكبح، مما يؤثر بشكل كبير على توقعات المسار. يقدم دراستنا نموذجًا محسنًا لتنبؤ المسار يستخدم الشبكات ذات الذاكرة الطويلة القصيرة (LSTM) والشبكات ذات الوحدات المتكررة المسجلة (GRU) مع الأخذ في الاعتبار أنماط كبح السائق بالإضافة إلى المعلومات الديناميكية للمركبة. يتم تقييم دقة النماذج في بيئة محاكاة تعكس ظروف القيادة في العالم الحقيقي. تلتقط هذه البيئة بيانات ديناميكية شاملة للمركبة، تشمل معلمات حاسمة مثل الموقع، والدوران، والتسارع، والسرعة، وأنماط الكبح. لضمان مجموعة بيانات واقعية ومتنوعة، تم جمع البيانات بدقة من 17 سائقًا، كل منهم يستخدم جهاز محاكاة للقيادة مزودًا ببرنامج Euro Truck Simulator. تم تنفيذ النموذج والتحقق من صحته باستخدام Python 3.9 وGoogle Colab وScikit-learn، التي تم اختيارها لصلابتها في تطبيقات التعلم العميق. تشير نتائجنا إلى أن دمج أنماط الكبح يُحسن بشكل كبير توقعات الموقع، متفوقًا على النماذج الحالية المعتمدة فقط على بيانات الديناميكا للمركبة. وكان هذا واضحًا من خلال الانخفاض الملحوظ في خطأ الجذر المتوسط التربيعي (RMSE) وخطأ القيمة المطلقة المتوسط (MAE) عند دمج أنماط الكبح. يعزز هذا التقدم نظم التنبؤ بالمسار من أجل ADAS و AVs، مما يحسن السلامة التشغيلية.