في عالم القيادة الذاتية، يعد التخطيط للمسار (Trajectory Planning) أحد أهم التحديات. تعد الأنظمة التخطيطية الهجينة تشكيلًا شائعًا حيث تعتمد على مجموعات متنوعة من الوحدات، كل منها له أهدافه الخاصة. ولكن، ما يطرحه هذا الأمر هو عدم وجود مبدأ موحد، مما قد يؤدي إلى عدم تناسق بين المسار الأولي والمعدل، وبالتالي سلوك غير مثالي. هنا يظهر الابتكار: تطبيق DiffuSearch الجديد.

DiffuSearch، كما يظهر من اسمه، هو مخطط هجيني جديد يتمتع بقدرة على تحقيق الأهداف المشتركة بين جميع مكوناته. يقوم بدفع جميع العناصر للالتزام بأهداف قيادة متسقة، مثل تجنب الاصطدامات، الالتزام بالمناطق القابلة للقيادة، تحقيق الراحة، والتقدم.

تستخدم المنظومة بنية مكونة من مرحلتين. في المرحلة الأولى، ينتج نموذج الانتشار الموجه (Guided Diffusion Model) توقعًا مشتركًا للمسار يتناسب مع المشهد، مستفيدًا من الأهداف القيادة كدوال موجهة لتوجيه عملية إزالة الضوضاء. ثم في المرحلة الثانية، يتم تنفيذ عملية بحث باستخدام شجرة مونت كارلو (Monte Carlo Tree Search) في فضاء العمل المعروض، حيث يتم إجراء تحسين محلي صريح لهذا الاقتراح، محققًا نفس الأهداف كدالة للمكافأة.

يعكس التصميم التآزري قدرات نموذج الانتشار في العثور على حلول متسقة مع المشهد، مع دمج فعالية الانتباه إلى القيود من خلال Shجرة مونت كارلو. تظهر التجارب التي تم إجراؤها على نماذج nuPlan وinterPlan تحسنًا ملحوظًا في الأداء، حيث يتم تقليل الاصطدامات وتحسين الراحة في ظل ظروف تفاعلية معقدة.

توضح الدراسات العملية أن تحسينات شجرة مونت كارلو تعد الآلية الرئيسية وراء هذه المكاسب، بينما تقديم الأهداف المشتركة بين التوجيه الضمني والبحث الصريح يُحقق تحسينات إضافية باستمرار. هل تتطلع إلى التعرف على المزيد حول كيفية تغيير DiffuSearch لقواعد اللعبة في عالم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!