تحسين نماذج القيادة الذاتية: الاستفادة من تقنية التوجيه الأمثل للطرق النهائية

تعتبر نماذج القيادة الذاتية من العناصر الأساسية في تطور تكنولوجيا المركبات ذاتية القيادة، حيث يتم تدريب سياسات القيادة التقليدية من خلال تقنيات التكرار السلوكي في حلقة مفتوحة. ومع ذلك، تحتاج هذه النماذج إلى الأداء في حلقة مغلقة أثناء تطبيقها على المركبات، مما يخلق فجوة كبيرة في الأداء الفعلي.

تمت دراسة آثار انزياح المتغيرات والارتباك السببي بشكل واسع، لكن الباحثين شهدوا عاملًا مكملًا يؤثر في هذه الفجوة بين الحلقة المفتوحة والحلقة المغلقة: الإشراف القائم على المعالم (waypoint-based supervision) ومقاييس الإزاحة (displacement metrics) لا تضمن أن المسار الوسيط متسق جسديًا أو يسهل تتبعه بواسطة وحدة التحكم.

تركز هذه inconsistencies بشكل رئيسي عند المعالم الوسيطة، بينما يبقى النقطة النهائية المتوقعة موثوقة نسبيًا. بناءً على هذه الملاحظة، تم إدخال تقنية التوجيه الأمثل للطرق النهائية (Endpoint-Constrained Optimization - ECO)، وهي طبقة معالجة خفيفة الوزن تثبت المسار على التاريخ المنفذ للمركبة، وتحافظ على النقطة النهائية المتوقعة للسياسة، وتعزز المعالم الوسيطة لتحسين الجوانب القابلة للتنفيذ.

لا تتطلب تقنية ECO خرائط، أو حالات محاكاة مميزة، أو تدريبًا إضافيًا، ويمكن إدخالها بين مجموعة واسعة من السياسات المُصدِرة للمعالم ووحدات التحكم الخاصة بها. أظهرت التجارب في بيئتين مغلقتين لتحسين الأداء أنه في 6 سياقات مختلفة، أدت إضافة ECO إلى تحسين درجات الأداء بمعدل كبير، وغيرت القياسات من 18.1 إلى 31.0 HD-Score على HUGSIM (+71%)، مُحققًة المركز الأول في تحدي القيادة المغلقة. كما تمكنت تقنية ECO من زيادة درجات المشهد على AlpaSim بنسبة 123% و22% لكل من VaVAM وDiffusionDrive، مما يُظهر أن معالجة الهندسة الوسيطة لمسارات القيادة دون تغيير النقطة النهائية يمكن أن يُحسن بشكل كبير الأداء في البيئة المغلقة.