14933

بررسي روش‌هاي يادگيري نيمه‌نظارتي در خودروهاي خودران

1403

عبدالله اميرخاني شهركي

درك سه‌بعدي محيط به‌عنوان يكي از ستون‌هاي اصلي توسعه سامانه‌هاي رانندگي خودران، نقشي كليدي در افزايش ايمني و پايداري اين سامانه‌ها ايفا مي‌كند. خودروهاي خودران براي اتخاذ تصميم‌هاي دقيق و به‌موقع نيازمند بازنمايي جامع و قابل‌اطمينان از محيط پيرامون خود هستند؛ موضوعي كه با بهره‌گيري از داده‌هاي متنوع حسگرها نظير دوربين RGB، حسگر LiDAR، رادار و GPS امكان‌پذير مي‌شود. با وجود اين، چالش‌هاي متعددي همچون هزينه بالاي برچسب‌گذاري داده‌هاي سه‌بعدي، تغييرات محيطي (مانند شرايط نوري، آب‌وهوايي و نوع حسگر) و محدوديت منابع محاسباتي، توسعه مدل‌هاي كارآمد و مقياس‌پذير را با دشواري مواجه ساخته است. يكي از راهكارهاي مؤثر براي غلبه بر اين چالش‌ها، استفاده از يادگيري نيمه‌نظارتي است كه تركيبي از داده‌هاي برچسب‌خورده محدود و داده‌هاي بدون برچسب فراوان را به كار مي‌گيرد تا كيفيت مدل ارتقا يابد. علاوه بر اين، مسئله تطبيق دامنه در انتقال دانش از يك مجموعه داده (دامنه مبدأ) به محيط‌هاي جديد (دامنه هدف) اهميت بسزايي دارد؛ زيرا اختلاف در شرايط حسگر يا صحنه مي‌تواند باعث افت قابل توجه عملكرد مدل شود. روش‌هاي نوين در اين حوزه تلاش مي‌كنند با استفاده از شبكه‌هاي مولد، يادگيري متخاصم و تقويت اتكاپذيري نمايش‌هاي ويژگي، شكاف ميان دامنه‌ها را كاهش دهند. از سوي ديگر، هم‌جوشي چندحسي با تركيب داده‌هاي متنوع به بهبود تاب‌آوري سامانه كمك مي‌كند. در برخي پژوهش‌ها نيز از تقطير دانش براي انتقال توانايي‌هاي مدل‌هاي پيچيده چندحسي به مدل‌هاي ساده‌تر و سبك‌تر استفاده شده است، تا امكان به‌كارگيري عملي آن‌ها در سامانه‌هاي خودران فراهم شود. اين تحقيق با مروري نظام‌مند بر روش‌هاي اخير در دو حوزه اصلي «يادگيري نيمه‌نظارتي چندحالته» و «يادگيري نيمه‌نظارتي با تطبيق دامنه»، ضمن تحليل نقاط قوت و ضعف رويكردهاي مطرح، مسيرهاي آتي پژوهش را شناسايي مي‌كند. نتايج نشان مي‌دهد كه تركيب اين دو رويكرد مي‌تواند راهكارهايي پايدار براي غلبه بر مشكلات ادراك سه‌بعدي در خودروهاي خودران نسل آينده فراهم سازد.

9/7/2025 12:00:00 AM

87182

1404/06/15

يادگيري نيمه‌نظارتي , درك سه‌بعدي , خودروي خودران