في عالم القيادة الذاتية، تعتبر تقنيات التخطيط الشامل (End-to-End Planning) أساسية لتحقيق أداء متميز. لكن، كيف يمكننا التأكد من أن هذه الأنظمة تعمل بكفاءة دون أي مفاجآت غير سارة؟ هنا يأتي دور مشروع CLOVER، وهو إطار مبتكر يقوم بتقدير القيمة المغلقة (Closed-Loop Value Estimation) وتصنيف الحلول بذكاء.

تواجه أنظمة التخطيط الذاتي تحديات كبيرة عند التدريب على مسارات فردية مسجلة، حيث يتم تقييم أدائها من خلال معايير تخطيط تقليدية تقيس السلامة والجدوى والراحة. هذه الديناميكية تخلق عدم توافق في التدريب والتقييم، مما يؤدي إلى نتيجة غير متوقعة.

CLOVER يقدم حلاً من خلال استخدام نموذج توليد وتصنيف خفيف الوزن. يتيح هذا النموذج للمنظومة خلق مسارات مر候ة متنوعة بينما يقوم المقيّم بتوقع درجات الأداء لتصنيفها في وقت الاستدلال.

عبر اعتماد نظام دعم يتخطى التقليد البسيط، يقوم CLOVER ببناء مسارات خيالية مختارة بواسطة المقيّم، مما يعزز عملية التدريب بشكل كبير. ويعمل على تحسين أداء كل من المولد والمقيّم من خلال عملية تصفية مغلقة تتضمن الاستفادة من الدرجات الحقيقية.

النتائج مذهلة! على محاكاة NAVSIM، حققت CLOVER أداءً يُسجل 94.5 PDMS و90.4 EPDMS، مما يجعلها رائدة في هذا المجال. كما أظهرت أداءً مماثلاً مبهراً في تحدي NavHard.

إذا كنتم مهتمين بالتفاصيل التقنية، انتظروا إصدار الكود قريباً على GitHub. هذه هي اللحظة المثالية لاستكشاف كيف يُمكن للابتكارات الحديثة أن تُحدث فرقاً في عالم القيادة الذاتية.