مروری برراهکارهای تعامل انسان و ماشین دربهبود عملکرد خودروهای خودران با استفاده از هوش مصنوعی و یادگیری ماشین

افزایش پیچیدگی سیستم‌های خودران و لزوم همکاری ایمن و کارآمد بین انسان و وسیله نقلیه، تعامل انسان و ماشین را به یکی از ارکان حیاتی در توسعه این فناوری تبدیل کرده است. اگرچه سیستم‌های خودران مستقل از سطح آن، وعده کاهش خطاهای انسانی را می‌دهند، اما در موقعیت‌های غیرمنتظره و پیچیده، نقش راننده به عنوان ناظر یا تصمیم‌گیرنده نهایی همچنان حائز اهمیت است. این مقاله به مرور نظام‌مند راهکارهای نوین در حوزه تعامل انسان و ماشین می‌پردازد که با بهره‌گیری از الگوریتم‌های هوش مصنوعی و یادگیری ماشین، به بهبود عملکرد، ایمنی و قابلیت اطمینان خودروهای خودران منجر می‌شوند.در این پژوهش با بررسی مقالات و پژوهش‌های معتبردر سالهای اخیر، راهکارهای مبتنی بر هوش مصنوعی و یادگیری ماشین در سه محور اصلی(درک وضعیت راننده ، انتقال کنترل روان و ایمن و ارتباط شفاف واعتمادسازی ) دسته‌بندی و تحلیل مروری شده‌اند. در ابتدا الگوریتم های مبتنی بر مدل‌های بینایی کامپیوتری و پردازش سیگنال‌های زیستی (مانند ردیابی چشم، حالات چهره و نوار مغزی) برای نظارت بر سطح توجه، خستگی و آمادگی راننده برای دریافت کنترل وسیله نقلیه بررسی شده اند. در ادامه توسعه الگوریتم‌های پیش‌بین مبتنی بر یادگیری تقویتی و شبکه‌های عصبی برای تعیین زمان بهینه و روش انتقال کنترل بین خودرو و راننده، با در نظرگرفتن شرایط ترافیکی و وضعیت شناختی راننده مطالعه شده اند. در پایان به بررسی الگوریتم های طراحی واسط‌های کاربری هوشمند که با استفاده از پردازش زبان طبیعی و واقعیت افزوده، تصمیمات و وضعیت سیستم را به شیوه‌ای قابل درک برای کاربر ارائه می‌دهند و اعتماد او را جلب می‌کنند، پرداخته شده است. یافته‌های این مرور نشان می‌دهد که الگوریتمهای مبتنی بر هوش مصنوعی و یادگیری ماشین در طراحی سیستم‌های تعامل انسان و ماشین، نه تنها منجر به تصمیم‌گیری‌های سنجیده‌تر و واکنش‌پذیری سریع‌تر خودرو می‌شود، بلکه با شخصی‌سازی تعامل بر اساس رفتار و وضعیت هر راننده، به افزایش قابل توجه اعتمادپذیری و پذیرش این فناوری توسط کاربران نهایی منجر می‌گردد.

an overview of human-machine interaction solutions to improve the performance of autonomous vehicles using artificial intelligence and machine learning

the increasing complexity of autonomous systems and the need for safe and efficient cooperation between humans and vehicles have made human-machine interaction a vital pillar in the development of this technology. although autonomous systems, regardless of their level, promise to reduce human errors, in unexpected and complex situations, the role of the driver as an observer or final decision maker remains important. this article systematically reviews new solutions in the field of human-machine interaction that, by utilizing artificial intelligence and machine learning algorithms, lead to improved performance, safety, and reliability of autonomous vehicles. in this study, by reviewing reputable articles and research in recent years, solutions based on artificial intelligence and machine learning have been categorized and analyzed in three main axes (understanding the driver s situation, smooth and safe transfer of control, and transparent communication and trust-building). initially, algorithms based on computer vision models and biological signal processing (such as eye tracking, facial expressions, and eeg) are reviewed to monitor the driver s level of attention, fatigue, and readiness to take control of the vehicle. subsequently, the development of predictive algorithms based on reinforcement learning and neural networks to determine the optimal time and method of transferring control between the vehicle and the driver, taking into account traffic conditions and the driver s cognitive state, are studied. finally, algorithms for designing intelligent user interfaces that use natural language processing and augmented reality to present decisions and system status in a way that is understandable to the user and gain his trust are examined. the findings of this review show that algorithms based on artificial intelligence and machine learning in the design of human-machine interaction systems not only lead to more informed decisions and faster vehicle responsiveness, but also lead to a significant increase in the reliability and acceptance of this technology by end users by personalizing the interaction based on the behavior and state of each driver.