في عالم الأنظمة الذاتية (Autonomous Systems)، يعد اكتشاف الفشل من التحديات الكبيرة، حيث يمكن أن تحدث الفشلات بطرق نادرة ومتنوعة، مما يجعل عملية الاكتشاف المجدي للخلل أمرًا صعبًا للغاية، خاصة عندما تكون ميزانيات الاختبار محدودة. تكمن المشكلة الرئيسية في أن استخدام نماذج بديلة مثل المحاكيات أو النظم ذات الجودة الأدنى لا يضمن نجاح نقل النتائج إلى الواقع بسبب الفجوات المتواجدة بين النموذج والعالم الحقيقي.

لهذا السبب، اقترح الباحثون استراتيجية مبتكرة تستند إلى دمج تقييمات الأنظمة البديلة، بالتوافق مع نتائج الأنظمة المستهدفة المحدودة، لتوجيه اختيار السيناريوهات للاختبار. تعتمد هذه الطريقة على نموذج محلي يتنبأ بمخاطر الفشل من خلال تصحيح إشارات الفشل المأخوذة من الوكلاء باستخدام نموذج مستوحى من تقنية "التحكم المتغير" (control-variate).

وليس هذا فحسب، بل إن هذه الاستراتيجية تمكّن من اكتشاف الفشل المحتمل والمتنوع من خلال دمج هذا التنبؤ مع هدف يعتمد على المعلومات المتبادلة، مما يعزز من قدرة النظام على تغطية كافة أنماط الفشل.

لقد أثبتت الدراسات أن هذه الطريقة تكتشف فشلًا يصل إلى ضعف ما يمكن أن تقوم به الطرق التقليدية، بما في ذلك الفشل الشديد والمتنوع الذي قد يغفل عنه الأساليب المنافسة. تنطبق هذه الابتكارات على العديد من المجالات، بما في ذلك القيادة الذاتية (Autonomous Driving)، والروبوتات المتحركة (Manipulation)، ومهام تتبع سرعة الكوادروبيد (Quadruped Velocity-Tracking).

مع تزايد اعتمادنا على هذه الأنظمة، يصبح تحديد الفشل بدقة أمرًا بالغ الأهمية لضمان سلامة وأداء الأنظمة. نحن متشوقون لمعرفة آرائكم حول هذه الابتكارات! ما رأيكم في هذه التطورات؟ شاركونا في التعليقات.