في عصر تكنولوجيا القيادة الذاتية، يعتبر فهم سلوكيات السائقين البشر أمرًا ضروريًا لتحسين قراراتهم ودعم المركبات الذاتية القيادة (AVs) في ظروف المرور المختلط. وقد أظهرت الأبحاث أن التعلم من خلال المكافآت (Reward Learning) يوفر وسيلة منهجية لاستنتاج الأهداف الخفية خلف سلوكيات القيادة.

ومع ذلك، كانت معظم الطرق المستخدمة حتى الآن تعتمد على إعدادات الوكيل الواحد، معالجة المركبات المحيطة كعقبات ديناميكية. يثير توسيع التعلم القائم على المكافآت ليشمل السيناريوهات متعددة الوكلاء تحديات جديدة، حيث يتسع الفضاء المشترك للإجراءات بشكل كبير مع زيادة عدد المركبات المتفاعلة.

لتجاوز هذه القيود، اقترحت الدراسة الأخيرة إطار عمل يُعرف بـ "التعلم العكسي متعدد الوكلاء المدعوم بتغذية بشرية" (HFG-MAIRL) الذي يسعى لنمذجة سلوكيات القيادة التفاعلية. يعتمد هذا الإطار على تطوير وحدة تعلم عكسي مع أقصى قدر من الإنتروبيا لعوامل متعددة، حيث يقوم بنمذجة كل مركبة وجيرانها المتفاعلين مباشرةً في لعبة ماركوف محلية، مستخدمًا حالات المرور المجمعة لالتقاط تأثير البيئة المرورية الأوسع.

تتمثل مزايا هذا النهج في عدم الحاجة إلى العد بشكل صريح لجميع الإجراءات المشتركة، حيث يتم تقريب الاستجابات المركبة لمركبات متعددة من خلال عمليات استجابة تدريجية محدودة.

علاوة على ذلك، تم دمج التغذية البشرية كإشراف تفضيلي باستخدام احتمال برادلي-تيري (Bradley-Terry likelihood). تم استخدام تسميات مشاعر السائقين كنموذج للتغذية والذي تم تحويله إلى قيود تفضيل زوجي.

أظهرت التجارب التي أجريت على مجموعة بيانات AIDE أن HFG-MAIRL يتفوق على النماذج التقليدية في نمذجة القرارات، وينتج أنماط مكافآت تتماشى بصورة واضحة مع التغذية المستلمة. هذا التطور يمثل خطوة نوعية نحو تحسين نماذج سلوك القيادة وتعزيز الأمان في أنظمة المركبات الذاتية القيادة.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.