في عالم سباقات السيارات الذاتية (Autonomous Racing)، يُعتبر تجاوز المنافسين واحدًا من أبرز التحديات التي يمكن أن تواجهها. إذ تتسم مسارات سيارات المنافسين (Opponent Vehicles) بمستوى عالٍ من عدم اليقين، نتيجة للسياسات القيادية غير المعروفة. وهذا يجعل التنبؤ بمسارهم أكثر تعقيدًا.

في دراسة حديثة، تم اقتراح استخدام المقاييس الأساسية الخاصة (Kernel-Based Metrics) لتعزيز التعلم العميق للنواة (Deep Kernel Learning) مما يزيد من قدرة الآلات على معالجة السياسات القيادية المتنوعة. تتيح هذه الطريقة الجديدة التنبؤ بدقة بمسارات المنافسين، مع الأخذ في الاعتبار عدم اليقين المرتبط بهذه المسارات.

ما يميز المقاييس المبتكرة هو قدرتها الفائقة على توحيد السياسات القيادية المتشابهة وفصل المتباينة بطريقة غير خاضعة للتوجيه، بناءً على التفاعلات الملاحظة بين السيارة الذاتية (Ego Vehicle) والمنافسين.

أثبتت التجارب على منصة سباق مصغرة (1/10th scale) كفاءة هذه الطريقة في تحسين دقة التنبؤ، مما يسمح بتجاوز المنافسين بأمان أكبر. وليس هذا فحسب، بل تتمتع الطريقة أيضًا بالكفاءة من الناحية الحسابية مما يجعلها صالحة للاستخدام في بيئات السباق السريعة.

لمن يرغب في التعمق في هذه التجربة، يمكن الاطلاع على الفيديو والتعليمات البرمجية المصدرية عبر الرابط: رابط المصدر. هل أنتم مستعدون للدخول في عالم سباقات السيارات الذاتية؟