في عصر الذكاء الاصطناعي، يسعى الباحثون باستمرار لتطوير نماذج قادرة على فهم وتوقع سلوكيات الأفراد في بيئاتهم الاجتماعية. وقد أظهرت الأساليب التقليدية لتنبؤ المسارات (Trajectory Prediction) قدرات استثنائية في التقاط أنماط الحركة المعقدة. ومع ذلك، فإن هذه الأساليب تعاني من بعض القيود الملحوظة، مثل الاعتماد على فرضيات الحالة العالمية، وصعوبة استنتاج المعتقدات في الظروف غير المرئية جزئيًا، وغياب القيود السلوكية المعرفية في التنبؤ.

للتغلب على هذه التحديات، تم تقديم نموذج جديد يدعى FEP-Diff، وهو إطار عمل يركز على الوكلاء ويستند إلى مبدأ الطاقة الحرة (Free Energy Principle). يهدف هذا النموذج إلى تحقيق تنبؤات معقولة معرفيًا تحت قيود واقعية. يعتمد FEP-Diff على مشفر زمني مكاني ثنائي الفروع يقوم باستخراج ديناميكيات الحركة الذاتية وإشارات التفاعل الاجتماعي من الملاحظات المحلية.

علاوة على ذلك، يتم استخدام متعلم معتقدات مشروط بالأهداف لاستنتاج توزيعات معتقدات متعددة الأنماط، مما يتم تحسينه من خلال هدف الطاقة الحرة. ويشمل ذلك قيود الاتساق الاجتماعي على رسم الجوار المحلي لتعزيز التوافق المعرفي بين الوكلاء المجاورين. في خطوة متقدمة، يتم إنتاج مسارات مستقبلية دقيقة ومتنوعة من خلال مولد مسار متبقي مشروط على المعتقدات المستفادة.

تظهر التجارب الواسعة على خمسة معايير عامة أن نموذج FEP-Diff يتفوق باستمرار على الأساليب الحديثة في ظل محدودية الرؤية، مما يبشر بمزيد من التطبيقات العملية في المستقبل.

إذا كنت مهتمًا بمشاهدة الكود الخاص بالنموذج، يمكنك زيارته على رابط. هل تعتقد أن هذه الابتكارات ستغير مستقبل الذكاء الاصطناعي؟ شاركونا آراءكم.