كيف يعمل الترميز الذكي في المركبات ذاتية القيادة؟
في المركبات ذاتية القيادة، يتم إرسال البيانات من الكاميرات إلى الذاكرة قبل تشغيل خوارزميات الإدراك. هذه العملية، على الرغم من أنها ضرورية، تستهلك كمية كبيرة من الطاقة - خاصة عندما يتم تخزين البتات التي تبلغ قيمتها 1 في الذاكرة أو عندما تتغير البايتات المتتالية في ناقل البيانات. بدلاً من معاملة جميع البيانات على قدم المساواة، تقدم الطريقة الجديدة المسماة MotiMem-Omega نهجًا دلاليًا: ليس كل شيء بنفس القدر من الأهمية لسلامة وأداء السيارة.
يقوم النظام بتحليل الصورة وتحديد العناصر الرئيسية - مثل المشاة أو راكبي الدراجات أو المركبات الأخرى - ثم يعين لها دقة أعلى. يتلقى الخلفية، مثل السماء أو المناطق الفارغة، قيم جودة أقل. وهذا يسمح بتقليل عدد البتات التي تبلغ قيمتها 1 بشكل كبير دون فقدان المعلومات الأساسية للإدراك.
الكفاءة والاحتفاظ: ما الذي تقدمه MotiMem-Omega في الممارسة العملية؟
صورة مكبرة.إغلاق التكبير.الصورة السابقة.تُظهر الأبحاث التي أجريت على 29 كاشفًا و12 مجموعة بيانات للطرق وخمسة نماذج للتقسيم أن MotiMem-Omega تحافظ على حوالي 90٪ من متوسط دقة الاكتشاف (mAP) مقارنة بالنهج الأصلي. علاوة على ذلك، بالنسبة للمستخدمين الأكثر عرضة للخطر على الطريق - المشاة وراكبي الدراجات والدراجات النارية - فإنها تحتفظ بما يصل إلى 91٪ من فعالية الاكتشاف.
من المهم أن الطريقة لا توفر الطاقة فحسب، بل تفعل ذلك بشكل أفضل من الأساليب الأخرى. مقارنة بالطريقة الأساسية والتقليم المعدل للاستهلاك، يوفر MotiMem-Omega احتفاظًا أعلى بالدقة بنفس أو أقل في كثافة البتات التي تبلغ قيمتها 1.
لماذا لا تكون برامج ترميز الصور حلاً؟
على الرغم من أن برامج ترميز الصور القياسية (مثل H.264 و HEVC) فعالة في ضغط البيانات، إلا أنها لا تقلل من استهلاك الطاقة لواجهة الذاكرة. وذلك لأن عملها يتعلق فقط بنقل البيانات، وليس عملية التخزين نفسها. لذلك، حتى إذا تم ضغط الصورة، فإن نقلها إلى الذاكرة لا يزال يولد استهلاكًا عاليًا للطاقة.
يعمل MotiMem-Omega على مستوى واجهة الذاكرة - أي في المكان الذي يتم فيه استهلاك معظم الطاقة. هذه النقطة بالذات هي المفتاح: إن تقليل كثافة البتات بقيمة 1 يؤثر بشكل مباشر على الطاقة اللازمة لتخزين البيانات في الذاكرة.
أهمية وقيود هذه التكنولوجيا
يمكن أن يكون للطريقة الجديدة أهمية كبيرة في تطوير المركبات ذاتية القيادة، خاصة في سياق قيود الطاقة الموجودة على متنها. إن تقليل استهلاك طاقة واجهة الذاكرة بنسبة تصل إلى 36٪ يسمح بتشغيل الأنظمة لفترة أطول دون الحاجة إلى بطاريات أكبر أو أنظمة تبريد أكثر كفاءة.
ومع ذلك، من المهم التأكيد على أن النتائج تعتمد على النماذج والمحاكاة. لم يتم تطبيق الطريقة بعد في المركبات الفعلية أو اختبارها في ظروف واقعية. تشمل القيود أيضًا الاعتماد على توفر بيانات حول موضع السيارة (موضع الذات)، والتي تكون ضرورية لتشغيل آلية التعويض عن الحركة بين الإطارات.
أهمية وقيود هذه التكنولوجيا
في سياق الطلب المتزايد على الطاقة في الأنظمة ذاتية القيادة، يمثل MotiMem-Omega خطوة مهمة إلى الأمام نحو كفاءة الطاقة. بفضل تقليل استهلاك طاقة واجهة الذاكرة بنسبة تصل إلى 36٪، تسمح التكنولوجيا بتشغيل أنظمة الإدراك لفترة أطول دون الحاجة إلى زيادة سعة البطاريات أو إدخال حلول تبريد أكثر تعقيدًا. هذا مهم بشكل خاص في حالة المركبات الكهربائية، حيث تكون كل وحدة من الطاقة ذات أهمية بالنسبة للمدى والكفاءة.
علاوة على ذلك، لا توفر الطريقة الطاقة فحسب، بل تفعل ذلك مع الحفاظ على جودة عالية للكشف عن الكائنات - حتى في المواقف الحرجة، مثل اكتشاف المشاة أو راكبي الدراجات. هذا يعني أنه يمكن استخدام النظام في تطبيقات حرجة من حيث السلامة دون فقدان مصداقية القرارات المستقلة. ومع ذلك، يجدر التأكيد على أن جميع النتائج الحالية تعتمد على المحاكاة والنمذجة الحاسوبية، وليس على الاختبارات في الظروف الفعلية للطريق. هذا يعني أن الاختلافات المحتملة بين النظرية والتطبيق قد تظهر في حالة تغير الظروف البيئية، مثل التغيرات في الإضاءة أو المطر أو الضباب، والتي تؤثر على جودة البيانات من الكاميرات وفعالية خوارزميات التعويض عن الحركة. هناك أيضًا قيود إضافية وهي الحاجة إلى الوصول إلى بيانات حول موضع السيارة (موضع الذات)، وهو أمر ضروري للتشغيل السليم لآلية التعويض عن الحركة بين الإطارات - يمكن أن يؤدي عدم وجود هذه البيانات بشكل كبير إلى
