في خطوة ثورية نحو جعل وسائل النقل أكثر ذكاءً وكفاءة، تم تقديم إطار عمل جديد يُعرف باسم Learn2Drive. يعتمد هذا الإطار على الشبكات العصبية لتمكين المركبات الذاتية القيادة (Automated Vehicles - AVs) من التعامل بذكاء أكبر مع حركة المرور، مما يعزز القدرة على تقليل الازدحام وتحسين تدفق الحركة.

تسعى أنظمة التحكم الحديثة للمركبات الذاتية القيادة، مثل نظام التحكم في السرعة التكييفي (Adaptive Cruise Control - ACC)، إلى تحقيق أداء أفضل لكل مركبة، لكن العديد منها يتجاهل التفاعل مع المركبات التي يقودها البشر (Human-Driven Vehicles - HVs) مما يؤثر سلباً على حركة المرور بشكل عام. هنا يأتي دور Learn2Drive، حيث يقدم إطاراً جديداً يأخذ بالحسبان القيم الاجتماعية أو ما يُعرف بالتوجه الاجتماعي القيمي (Social Value Orientation - SVO).

يعمل هذا الإطار على جعل AVs تعمل كمنظمي حركة مرورية متنقلين، مما يعزز السلوكيات التكيفية أثناء القيادة التي تؤدي إلى تحسين الكفاءة وتقليل استهلاك الطاقة. أظهرت النتائج العددية فعالية هذه الطريقة في التأقلم مع ظروف حركة المرور المتغيرة، بما في ذلك تحسين سرعة المركبات المتدفق إليها بنسبة لا تقل عن 38.39%.

هذا الإنجاز ليس مجرد تحصيل علمي، بل خطوة نحو مستقبل يعود بالنفع على الجميع. من خلال تعزيز التفاعل بين المركبات الذاتية القيادة والمركبات التقليدية، يساهم Learn2Drive في تحسين الديناميات النظامية لحركة المرور، مما يؤدي في النهاية إلى بيئة مرورية أكثر سلاسة وكفاءة.

لمعرفة المزيد، يمكنك الاطلاع على الشيفرة البرمجية للتنفيذ المتاحة على GitHub.