يعتبر ركن السيارات ذاتياً أحد التحديات الحرجة في أنظمة القيادة الذكية، خاصةً في البيئات الحضرية المحدودة حيث المساحات ضيقة والدقة في التحكم أمرٌ بالغ الأهمية. في الوقت الذي حققت فيه التقنيات الحديثة تقدمًا كبيرًا في التعلم الشامل (end-to-end learning)، إلا أن نقص مجموعات البيانات العالية الجودة والمهيكلة المخصصة لسيناريوهات ركن السيارات يعد عقبة رئيسية.
ما هي ParkingScenes؟
لتجاوز هذه العقبة، تم تقديم مجموعة بيانات **ParkingScenes**، وهي مجموعة بيانات شاملة متعددة الوسائط تم تصميمها خصيصًا لركن السيارات الذاتية في مشاهد محاكاة. تعتمد ParkingScenes على محاكي **CARLA**، حيث تتضمن مسارات ركن مُهيكلة تم إنشاؤها بواسطة مخطط **Hybrid A*** ووحدة تحكم ذات نموذج تنبؤي (**Model Predictive Controller - MPC**)، مما يوفر إشارات إشرافية دقيقة وقابلة للتكرار.
ما تحتويه المجموعة؟
تتضمن مجموعة البيانات 16 سيناريو ركن للسيارات إلى الوراء و6 سيناريوهات ركن متوازي، حيث تم تنفيذ كل منها تحت حالتين من وجود المشاة (موجود وغائب)، مما أسفر عن 704 حلقة مهيكلة حوالي 105,000 إطار. كل سيناريو تم تكراره 16 مرة لضمان تغطية متسقة.
تشمل كل إطار بيانات متزامنة من أربعة كاميرات RGB، وأربعة حساسات عمق، وحالات حركة السيارة، وتمثيلات من منظور الطيور (**Bird's-Eye View - BEV**)، مما يتيح دمجًا متعدد الوسائط غنيًا وتعلمًا مدركًا للسياق.
النتائج والتطبيقات
لإثبات فعالية مجموعتنا، تمت مقارنة النماذج المدربة على ParkingScenes مع تلك المدروسة على بيانات محاكاة غير مهيكلة تم جمعها يدويًا تحت نفس الظروف. أظهرت النتائج تحسنًا كبيرًا في الأداء، مما يبرز فعالية الإشراف المهيكل في تعلم سياسات ركن السيارات بشكل قوي ودقيق.
من خلال إصدار كل من مجموعة البيانات وإطار جمع البيانات، تضع ParkingScenes معيارًا قابلاً للتوسع وإعادة الإنتاج، مما يسهم في تقدم أنظمة ركن السيارات الذاتية القائمة على التعلم. لمزيد من المعلومات، يمكنكم زيارة [رابط مجموعة البيانات](https://github.com/haonan-ai/ParkingScenes).
في الختام
مع تقدم التكنولوجيا، يبدو أن مستقبل ركن السيارات الذاتي سيكون أكثر إشراقًا ودقة بفضل مثل هذه الابتكارات. كيف تتصورون تأثير هذه التطورات على حياتكم اليومية؟