تشهد تقنيات التخطيط الحركي للقيادة الذاتية (Autonomous Driving) تحديات عديدة في سبيل تحقيق موازنة مثالية بين الأمان والقدرة على التكيف. في حين توفر الطرق التقليدية المعتمدة على القواعد (Rule-Based Pipelines) مستوى عالٍ من الأمان القابل للتحقق، فإنها غالبًا ما تعجز عن التعامل مع السيناريوهات المعقدة. في المقابل، فإن الأساليب الحديثة المعتمدة على التعلم مثل التعلم بالتقليد (Imitation Learning) والتعلم المعزِّز (Reinforcement Learning) والذكاء الاصطناعي التوليدي (Generative AI) تقدم قدرات أكبر على التكيف، ولكنها تواجه مشاكل في الشفافية ومخاطر السلامة.

تعمل الورقة الحالية على سد هذه الفجوة من خلال تقديم المراجعة النظامية الأولى لنموذج التحكم الأمثل القائم على البيانات (Data-Driven Optimal Control - DDOC). يتمحور هذا النموذج حول كيفية دمج الضمانات النظرية للتحكم الأمثل مع الإمكانيات التكيفية لتقنيات التعلم الآلي الحديثة.

تستكشف الدراسة خريطة الطريق الأولى لتخطيط الحركة المعتمد على DDOC، حيث يتم تنظيم تطبيقيته في ثلاثة أبعاد حاسمة: التخصيص، تكيف الديناميات، وضبط ذاتي.

وبالمثل، تحدد الورقة أربعة اتجاهات بحثية مستقبلية تهدف إلى تسريع الانتقال نحو قيادة ذاتية موثوقة وقريبة من التجارب البشرية، مما يعزز من أمان وفاعلية هذه التقنيات.