في عالم الروبوتات، يعتبر ضمان الأداء الجيد تحت ظروف عدم اليقين تحديًا كبيرًا. لقد أصبحت نماذج الديناميكيات العصبية (Neural Dynamics) وسياسات التحكم (Control Policies) قادرة على تحقيق أداء قوي، ولكنها غالبًا ما تفتقر إلى الضمانات اللازمة. مع بروز الأدوات الحالية، كان التحدي يكمن في تقديم مساحات وصول (Reachability) دقيقة وموثوقة.

في هذا السياق، تم تقديم إطار عمل جديد قابل للتوازي ويسمح بالتفريق لتوسيع مساحات الوصول بدقة أكبر، باستخدام مكتبة JAX. هذا الإطار يعمل على نظم الزمن المستمر والانفصالي ويجمع بين بناء أنموذج تايلور (Taylor-model) مع نشر الحدود الخطية بطريقة CROWN، مما يساعد في الحفاظ على التبعيات الافينية في كمبيوترات GPU ويفتح المجال لاستخدام التفريق التلقائي (Automatic Differentiation).

استنادًا إلى هذه البنية، تم تطوير أسلوب تدريب معتمد يحفز نماذج الديناميكيات المراعية لمفهوم الوصول، بالإضافة إلى نظام تثمين يعتمد على عينات التعظيم (Sampling-based MPC) يتم تحسينه باستخدام التدرجات.

تظهر التجارب التي تم إجراؤها على مهام المناولة الرباعية (Quadrotor Tasks) وغير القابلة للتناول، بما في ذلك التقييم على الأجهزة الحقيقية وكل ما يتعلق بالعوالم العالية الأبعاد (حتى 72D)، القدرة على التخطيط عبر الإنترنت بشكل عملي مع الحفاظ على مساحات الوصول الموثوقة تحت ظروف عدم اليقين المحدودة. هذا التطور سيكون له آثار ضخمة على المستقبل.