لقد تمثل التحدي الرئيسي في أنظمة القيادة الذاتية الحديثة في عدم القدرة على التوفيق بين التفكير الزمني السببي (Causal Reasoning) وتنظيم المسارات بشكل عالمي (Global Trajectory Consistency). تأتي النماذج الانحدارية (Autoregressive Models) كحل جزئي، حيث تلتقط العلاقات الزمانية لكن تعاني من تراكم الأخطاء بسبب طريقة فك الشيفرة خطوة بخطوة. بينما تقوم نماذج الانحلال (Diffusion Models) بتحسين المسارات بشكل عالمي، إلا أنها تفتقر إلى القيود السببية اللازمة، مما يجعلها غير موثوقة في المواقف التفاعلية والحرجة.

الإشكالية تكمن في أن الأساليب الحالية تعالج نمذجة الأسباب والتحسين العالمي كمنظومات منفصلة، دون وجود طريقة موحدة بينها في توزيع المسارات. لمواجهة هذا التحدي، قدم الباحثون نموذج ChainFlow-VLA الذي يجمع بشكل إبداعي بين التوليد السببي (Causal Generation) والتكرير العالمي (Global Refinement) ضمن إطار probabilistic موحد.

تم صياغة التخطيط كخليط من الأنماط التي تنتجها النماذج الانحدارية، حيث يتم تعلم توزيعات مبددة تُشترط على نماذج الرؤية واللغة (Vision-Language Models). يقوم مولد انحداري (Chain) بإنتاج مجموعة من الأنماط المكانية السببية، يليه مُصَحِّح قائم على الانحلال (Flow) يستخدم حالات خفية من نموذج الرؤية واللغة كأولويات دلالية لإجراء تصحيحات في الفضاء الباقي مع الحفاظ على التركيبة السببية.

تظهر التجارب أن ChainFlow-VLA يحقق تخطيطاً قوياً في السيناريوهات الغامضة وطويلة الذيل، حيث حقق نتيجة مذهلة بلغت 94.85 على تصنيف NAVSIM v1، متفوقاً على الأداء البشري (94.8). سيتم توفير الكود البرمجي عبر الرابط: https://github.com/AFARI-Research/ChainFlow-VLA.

ما رأيكم في هذا التطور المذهل؟ هل تتوقعون أن تكون هذه التقنيات جزءاً من المستقبل القريب للقيادة الذاتية؟ شاركونا في التعليقات!