في عالم الذكاء الاصطناعي، تعتبر نمذجة المرور من التحديات المعقدة التي تسعى إلى محاكاة سلوك المركبات في بيئات متعددة. ومع الزيادة المستمرة في الاعتماد على محاكيات مرور تعتمد على سجلات القيادة الذاتية، أصبح من الضروري معالجة الفجوات بين الملاحظة المحلية والسياق العالمي.

تحدث هذه الفجوة عندما يتم نشر محاكيات مرور ذاتية التغذية تعتمد على بيانات قيادة محدودة، حيث توفر المركبات صورًا محلية غنية، بينما تتعرض وكالات المرور المحيطة لرؤية محدودة بسبب قيود الإدراك والعوائق.

لذا تم تقديم إطار CRAFT (إطار تسوية التفضيلات السياقية لنمذجة المرور) كحل مبتكر يهدف إلى معالجة هذه المشكلات من خلال اكتشاف الفشل الذاتي والتوجيه القائم على التفضيلات في وقت الاختبار. يعتمد CRAFT على تحويل المحاكي الأساسي إلى نموذج مراقبة عالمية، ليخلق سيناريوهات مختلفة تعكس الظروف المتنوعة.

تعمل هذه العملية على كشف الفشل الناتج عن السياق وإعادة توجيه المحاكاة وفقًا لتفضيلات القيادة البشرية، مما يعزز التعلم ويقلل بشكل كبير من السلوكيات غير الواقعية مثل التوقفات غير الطبيعية وانتهاكات قواعد المرور.

النتائج الأولية تشير إلى تقليل الحوادث المرورية بنسبة 31.2% وانتهاكات المرور بنسبة 33.2% دون الحاجة إلى إعادة تدريب للنموذج الأساسي. هذا الابتكار يمكن أن يقدم خطوات حقيقية نحو بيئات مرورية أكثر أمانًا وواقعية.