في عصر يتسارع فيه التطور التكنولوجي في صناعة السيارات، تسعى الشركات المصنعة لتحقيق أقصى استفادة من الموارد المحدودة. تمثل دراسة جديدة أصدرها باحثون في هذا المجال خطوة هامة في فهم كيفية تقييم فقدان القدرة واستعادتها في سياسات القيادة المضغوطة. تعتبر تقنيات مثل تقليم النماذج (pruning) ونقل المعرفة (knowledge distillation) والتكميم (quantization) من الطرق الشائعة المستخدمة لتقليل حجم السياسات وتحسين كفاءة الأداء.

ولكن، يبقى السؤال: هل تعكس الدرجات الرقمية المستخدمة لتقييم هذه السياسات قدرتها الفعلية على القيادة بأمان ومعالجة التفاعل مع مستخدمي الطريق الآخرين؟

في هذه الدراسة، أُتخذ منهج تقييم مغلق الدائرة لتتبع سياسة القيادة عبر خط تقليص محدد. تم صياغة مهمة القيادة كعملية قرار ماركوف جزئية المراقبة (POMDP) وتدريب سياسة حالة الاعتقاد باستخدام تحسين السياسة القريب (PPO) ضمن بيئة Gym-Duckietown.

تتبع الباحثون خطوات تصنيف عملية التقليص، حيث تم استنتاج أن تقليم النماذج هو المرحلة التي يفقد فيها السائق القادرته الأساسية. بينما شهد تحسين نقل المعرفة تحسينات ملحوظة، إلا أن هذه التحسينات كانت محدودة ببيانات التدريب المتاحة. من جهة أخرى، أدى التكميم العددي للاعب المحسن إلى فقدان بعض المناهج التي تتطلب وقوف السيارة ثم استئناف الحركة لاحقًا.

من المثير للاهتمام أن نفس الإجراءات على اللاعب غير المقلم تحتفظ بجميع المناهج الخمسة. تعمل هذه الدراسة كمحلل تجريبي يهدف إلى الرد على النقاشات الناشطة حول كيفية قبول سياسة القيادة المضغوطة لاستدامة النقل الآلي بشكل آمن وموثوق إحصائيًا.

هل تعتقد أن هذه الابتكارات ستحدث ثورة في عالم القيادة الذاتية؟ شاركونا آراءكم في التعليقات!