تعد تنبؤات عبور التضاريس (Traversability Prediction) عنصرًا حاسمًا في الملاحة الذاتية في البيئات غير المهيكلة، حيث تواجه الروبوتات تحديات معقدة وغير مؤكدة ناشئة عن تفاعلاتها مع التضاريس. على الرغم من التقدم الذي شهدته أساليب تعلم الآلة في هذا المجال، إلا أن معظمها لا تستطيع التكيف بشكل جيد مع التضاريس الجديدة. وفوق ذلك، حتى عندما يتم تحقيق التكيف، يبقى الاحتفاظ بالخبرات السابقة التي تم التدريب عليها مشكلة معروفة باسم النسيان الكارثي (Catastrophic Forgetting).

للتخفيف من هذه التحديات، قدم الباحثون إطار تعلم مستمر (Continual Learning Framework) لتنبؤ عبور التضاريس، يعتمد على نموذج استرجاع الخبرات التوليدية (Generative Experience Recall Model) لتكييف تدريجي مع التضاريس الجديدة. يوفر هذا الإطار مزيتين رئيسيتين: الأولى هي القدرة على الاحتفاظ بالخبرات السابقة دون الحاجة لتخزين البيانات القديمة، والثانية هي دمج عدم اليقين في العينات المُولَّدة من نموذج الاسترجاع، مما يمكّن من التكيف المعتمد على عدم اليقين.

تثبت التجارب الواقعية مع الروبوتات ذات الدفع الانزلاقي (Skid-Steering Robots) فعالية هذا الإطار المقترح، موضحةً قدرته على التكيف عبر مجموعة متنوعة من البيئات مع التخفيف من مشكلة النسيان الكارثي. هذا التطور يمثل خطوة كبيرة نحو تعزيز قدرات الروبوتات في البيئات القاسية وغير المستدامة، مما يمهد الطريق لمزيد من الابتكارات في مجال الذكاء الاصطناعي.