في عصر القيادة الذاتية، يعد تنبؤ مسار المركبات المحيطة خطوة حاسمة لضمان سلامة الطرق. ومع ذلك، تأتي التحديات من انتشار البيانات في بيئات محددة، مثل تلك الموجودة في الولايات المتحدة، مما يجعل التكيّف مع نماذج القيادة في مناطق مختلفة مثل كوريا الجنوبية أمراً معقداً. هنا يأتي دور نموذج COTTA (Context-Aware Transfer Adaptation) لتقديم حلاً مبتكراً لهذا التحدي.

تتناول الدراسة الحالية مدى قدرة نموذج تنبؤ الحركة القائم على الاستعلام (QCNet) على التكيف بين البيانات المستمدة من الطرق الأمريكية وبيانات قيادة السيارات الذاتية في كوريا. توضح الأبحاث أن استخدام بيانات كورية مُعتمدة في تجارب متعددة، مثل نقل المعرفة دون تعديلات سابقة، أو بدء التدريب من جديد، يُظهر اختلافات ملحوظة في الأداء.

تسجل التجارب نتائج مثيرة، حيث يُظهر تكييف جزئي عن طريق ضبط أجزاء معينة من النموذج، مثل "مذبذب الديكودر" مع تجميد "الإنكودر"، تحسينًا كبيرًا تتجاوز نسبة دقة تنبؤ المدى 66% مقارنة بالتدريب الكامل من الصفر. عدم الحاجة المستمرة لجمع البيانات يساهم في استدامة أفضل وتكاليف أقل.

إن الدراسة لا تتحدث فقط عن درجة نجاح التحسين، بل تقدم أيضًا رؤى عملية حول استراتيجيات التعلم الانتقالي الفعالة لنماذج تنبؤ الحركة في مناطق جغرافية جديدة، مما يُبرز إمكانية جعل القيادة الذاتية أكثر أمانًا وفعالية في Absence of relevant data across diverse regions.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.