لقد تطورت أنظمة السلامة السلبية الحديثة لتجاوز التصاميم الثابتة لتصل إلى حلول ذكية يتم تحسينها استنادًا إلى الأدلة المستخلصة من الحوادث الواقعية. ويقوم المصنعون الآن بتحليل بيانات التصادمات المُعمَّاة على نطاق واسع لتحسين الحماية الإنشائية، وتقييد حركة الركاب، والتخفيف من الإصابات—محوِّلين بذلك الخبرة المكتسبة من أسطول المركبات بأكمله إلى رؤى هندسية.
تُزوَّد المركبات الحديثة الآن بأجهزة استشعار متقدمة مدمجة مباشرةً في هياكلها، وتتعقب كيفية تشوه الأجزاء المختلفة أثناء وقوع عدد لا يُحصى من الحوادث الواقعية. وتساعد هذه النقاط البيانات صانعي السيارات على ضبط مناطق الانهيار (Crumple Zones) بدقةٍ أكبر من أي وقتٍ مضى لامتصاص الطاقة الناتجة عن التصادم بكفاءةٍ أعلى. فعلى سبيل المثال، في حالات التصادم الأمامي غير المتماثل (Offset Front Collisions)، تنجح المركبات اليوم في امتصاص ما يقارب ٣٠٪ من الطاقة الإضافية مقارنةً بالطرازات التي أُنتجت عام ٢٠٢٣ وفقًا لتقارير الإدارة الوطنية للسلامة المرورية على الطرق السريعة (NHTSA). وفي الوقت نفسه، تجمع سجادات حساسة للضغط خاصّةً موضوعة تحت المقاعد باستمرار معلوماتٍ حول الشخص الجالس هناك، والموقع الذي يشغله، والوضعية التي يتواجد فيها بالضبط. وكل هذه المعلومات تتيح لل السيارة الاستجابة بشكلٍ مختلفٍ تبعًا للظروف. كما أصبحت الوسائد الهوائية تُفعَّل بذكاءٍ أكبر اليوم أيضًا، حيث تُكيِّف توقيت انفجارها استنادًا إلى مدخلات أجهزة الاستشعار. ويعمل النظام ككل بسرعةٍ كافيةٍ للحد من إصابات الصدر مع الحفاظ على سلامة جميع الركاب بغض النظر عن أحجام أجسامهم.
يؤدي تجميع البيانات على مستوى الأسطول إلى تحديد أنماط متكررة لحوادث الاصطدام التي تؤثر على أكثر من ٢٠٠٬٠٠٠ مركبة سنويًّا. وترتبط نماذج التعلُّم الآلي بين هندسة التصادم، والاختلافات في السرعة، والخصائص الديموغرافية للركاب، والنتائج السريرية للإصابات — ما يمكِّن من تفعيل أنظمة التقييد بشكل تنبُّئي وسياقي. وتتكيف أنظمة التقييد الآن في الزمن الفعلي مع شدة التصادم:
ويعبِّر هذا السلوك التكيُّفي عن تحول أوسع نطاقًا: فلم تعد السلامة السلبية تُعرَّف فقط من خلال مواصفات المعدات، بل من خلال مدى ذكاء استجابة هذه الأنظمة للديناميكيات الفعلية للتصادم.
تدمج السيارات الحديثة المعلومات القادمة من جميع أنواع أجهزة الاستشعار، بما في ذلك الكاميرات، والرادار، وليدار، وأجهزة الاستشعار فوق الصوتية الصغيرة أيضًا. ويُطلق على هذه العملية برمتها مصطلح «دمج أجهزة الاستشعار»، وهي تساعد في إنشاء صورةٍ دقيقةٍ جدًّا لما يجري حول السيارة في الزمن الفعلي. ثم تقوم الحاسوب المركزي المثبت داخل السيارة بمعالجة كل هذه البيانات المتنوعة خلال نحو ١٠٠ ملي ثانية لتحديد ما إذا كان هناك احتمالٌ لحدوث اصطدامٍ بالمركبة. وتتفحَّص هذه الأنظمة الذكية فعليًّا طريقة مشي المشاة، ومواقع السيارات الأخرى التي تقترب بسرعة، وما يحدث في المنطقة المحيطة بالسيارة لاكتشاف الاصطدامات المحتملة قبل وقوعها بـ٢ أو ٣ ثوانٍ. وإذا بلغ الخطر درجةً كافية، فإن السيارة إما تُفعِّل المكابح تلقائيًّا أو تنحرف عن مسار الخطر. وكل هذا يتم داخل السيارة ذاتها، وبالتالي لا داعي للانتظار على إشارات قادمة من مكانٍ آخر في السحابة الإلكترونية. ومع ذلك، فإن هذه الأنظمة ليست مثاليةً بعدُ؛ فهي تعمل بكفاءة عالية على الطرق السريعة، لكنها قد تفوِّت أحيانًا بعض العناصر في شوارع المدن المزدحمة، حيث تتحرك الدراجات الهوائية فجأةً وبشكل غير متوقع، أو عندما تغيِّر أعمال البناء تخطيط الطرق فجأةً. ولذلك فإن اختبار هذه الأنظمة في ظروف العالم الحقيقي الفعلية يكتسب أهميةً بالغةً لضمان فعاليتها الفعلية عند الحاجة إليها.
إدخال الذكاء الاصطناعي في الأجزاء الحرجة من حيث السلامة في السيارات يُولِّد ثلاث تحديات رئيسية مرتبطة ببعضها البعض بطريقةٍ ما. أول هذه التحديات يتصل باشتراطات التوقيت، حيث يجب اتخاذ القرارات خلال ٥٠ مللي ثانية، على الرغم من أن أجهزة الاستشعار تُغذّي النظام في الوقت نفسه بكمٍّ هائل من البيانات عالية الدقة. وهذا يُشكِّل ضغطًا هائلاً على كلٍّ من المكونات المادية والخوارزميات نفسها لكي تعمل بسرعة أكبر من أي وقت مضى. ثانيًا، هناك مشكلةٌ شاملة تتعلَّق بإمكانية تفسير ما قام به نظام الذكاء الاصطناعي فعليًّا. فأنظمة التعلُّم العميق لا تُظهر عملية تفكيرها بشكلٍ كافٍ للوُضوح أمام الجهات التنظيمية التي تطلب الموافقات أو أمام المهندسين الذين يحاولون معرفة سبب اتخاذ إجراءات تجنُّب معينة أثناء الاختبارات. وثالثًا، تأتي المعركة المستمرة بين عمليات المحاكاة المستخدمة أثناء التدريب والظروف الفعلية في العالم الحقيقي. فعندما تواجه هذه النماذج مواقف لم تُبرمَج مسبقًا للتعامل معها — مثل الوهج الناتج عن الطرق الرطبة، أو المشاة المُخفَّين جزئيًّا في الظلال، أو التغيرات المفاجئة في نسيج السطح الإسفلتي — فإن الأمور تخرج عن السيطرة بسرعة. وتُسهم البيانات الاصطناعية في تسريع عملية التطوير، لكن سد هذه الفجوة بين المحاكاة والواقع يتطلَّب تحديثاتٍ مستمرةً تستند إلى بيانات مركبات مجهولة المصدر يتم جمعها من أساطيل المركبات. وللأسف، لا تستطيع العديد من الأنظمة القديمة في السيارات التعامل مع هذا النوع من التعلُّم المستمر، كما أن اللوائح الجديدة تتغيَّر باستمرار بشأن الطريقة التي يجوز بها للشركات الوصول إلى هذه المعلومات واستخدامها قانونيًّا.
أدى ازدياد استخدام التحديثات عبر الهواء (OTA) إلى تغيير جذري في طريقة تفكيرنا بشأن سلامة المركبات. فما كان يُعتبر أمرًا ثابتًا لا يتغير بعد مغادرة المركبة للمصنع أصبح الآن قابلاً للتحسين المستمر مع مرور الوقت. وعند تنفيذ هذه التحديثات بشكلٍ سليم، يمكن للمصنّعين نشر إصلاحات الأمان بسرعة، وضبط أداء أجهزة الاستشعار بدقة، بل وحتى تعزيز أداء أنظمة المساعدة المتقدمة للسائق. ومع ذلك، فإن هناك مخاطر حقيقية إذا ما واجهت هذه التحديثات أعطالاً. تخيل مثلاً تحديثًا يؤثر سلبًا على أنظمة التحكم في الفرملة أو برامج إدارة البطارية — فقد يؤدي ذلك إلى جعل المركبات غير آمنة تمامًا أو حتى عاجزة عن العمل بشكلٍ صحيح. ووفقًا لأحدث الأبحاث الواردة في تقرير «أبستريم سيكيوريتي» العالمي للأمن السيبراني في القطاع automotive لعام ٢٠٢٣، فإن ما يقارب نصف (٤٣٪) جميع مشكلات الأمن السيبراني المبلغ عنها في المركبات خلال الفترة من ٢٠٢١ إلى ٢٠٢٣ كانت ناتجةً في الواقع عن عيوبٍ موجودة في التحديثات عبر الهواء نفسها.
تقلل أطر التحقق المستمر القوية من هذه المخاطر من خلال:
تضمن هذه الضوابط أن تظل التحديثات عبر الشبكة (OTA) عاملًا مُضاعفًا للسلامة — وليس نقطة ضعف قابلة للاستغلال. ومع تحول المركبات تدريجيًّا إلى أنظمة تعتمد بشكل متزايد على البرمجيات، لا بد أن تتطور عمليات التحقق من السلامة في خطٍ متوازٍ مع استيعاب أحدث المعلومات الاستخباراتية حول التهديدات، ودقة المحاكاة، وردود الفعل الواردة من الأساطيل التشغيلية في العالم الحقيقي.
تُنشئ المعايير العالمية مثل لائحة اللجنة الاقتصادية لأوروبا التابعة للأمم المتحدة رقم ١٥٢ (WP.29)، ومواصفة الأيزو ٢٦٢٦٢ الخاصة بالسلامة الوظيفية، واللوائح الأممية R155 المتعلقة بأمن المعلومات أنظمة تغذية راجعة تساعد جميع العاملين في قطاع صناعة السيارات على التعلُّم بشكل أسرع معًا. وعندما تتبع الشركات إجراءات الاختبار نفسها، وتقدِّم البيانات وفق أساليب قياسية، وتشارك ما يحدث في حالات القيادة الفعلية مع الحفاظ على خصوصية هويات الأطراف، فإن كل هذه المعلومات تُحوَّل إلى محتوى مفيدٍ لتحسين المركبات. ويقوم من يضعون القواعد بمراجعة هذه البيانات المجمَّعة لتحديث متطلباتهم تدريجيًّا. ولقد شاهدنا تطوير طرقٍ أفضل لاختبار أنظمة المساعدة المتقدمة للسائق، أو ضمان تضمين فحوصات أمنية في وحدات التحكم الإلكترونية المتصلة. وتطبِّق شركات صناعة السيارات هذه التحديثات خطوةً بخطوة، ما يعني أن الأفكار الجديدة حول مناطق حماية التصادم التي تتكيف تلقائيًّا أو أنظمة الوسائد الهوائية الذكية المدعومة بالذكاء الاصطناعي يمكن أن تنتشر بسرعةٍ كبيرةٍ عبر مختلف الطرازات والعلامات التجارية المتوفرة في السوق اليوم.
يمكننا في الواقع رؤية النتائج المُحقَّقة من هذا النهج القائم على العمل الجماعي. فوفقًا لأحدث أرقام البرنامج العالمي لتقييم السيارات الجديدة (Global New Car Assessment Programme)، سجَّلت المناطق التي نفَّذت معايير اللجنةWP.29 والمعايير الصادرة عن المنظمة الدولية للتقييس (ISO) تنفيذًا سليمًا انخفاضًا بلغ نحو ١٥ حادثًا مميتًا أقل لكل ١٠٠ مركبة على مدى ثلاث سنوات. وما يكتسب أهميةً قصوى اليوم ليس مجرَّد التحقُّق من عناصر القوائم الخاصة بالامتثال، بل بناء المركبات وفقًا لهذه المعايير منذ المرحلة الأولى من التصميم. وعندما تتبنَّى شركات التصنيع قواعد السلامة الجديدة مبكرًا، فإنها تتفادى إجراء تعديلات مكلِّفة لاحقًا، وتقلِّل الوقت المستغرق في إعادة اختبار جميع المكونات، وتُدخل الميزات الحرجة للسلامة إلى الطرق بشكل أسرع. وهذا يُحقِّق في الواقع نتيجةً مذهلةً جدًّا: فكل مركبةٍ تخرج إلى الطرقات وتجمع بيانات الحوادث تُسهم في رفع مستوى سلامة جميع المركبات على مستوى العالم. وكلما زاد عدد المركبات التي تتعلَّم من الحوادث الفعلية، تحسَّنت معرفتنا الجماعية بشكلٍ أكبر حول أفضل السبل لحماية السائقين في كل مكان.
EN