تُعَد دراسة تفاعلات المركبات عند التقاطعات غير المنظمة تحديًا كبيرًا، بسبب التعقيد الكامن في العمليات بناءً على نظرية الألعاب. رغم أن دراسات سابقة قد حاولت التقاط سلوكيات القيادة التفاعلية، إلا أن معظمها اعتمد على صياغات نظرية الألعاب فقط دون الاستفادة من مجموعات بيانات القيادة الطبيعية. في هذا السياق، تأتي دراسة جديدة تسلط الضوء على كيفية تعلم نماذج القيادة التفاعلية باستخدام تقنية اللعب الزائف العميق (Deep Fictitious Play).

تركز هذه الدراسة على نمذجة تفاعلات المركبات كـ "لعبة تفاضلية" (Differential Game)، والتي يتم إعادة صياغتها بعد ذلك كـ "لعبة تفاضلية محتملة" (Potential Differential Game). تعتمد الأوزان المستخدمة في دالة التكلفة على بيانات المجموعة المُستخدمة، مما يعكس أنماط قيادة متنوعة. ومن المثير للاهتمام أن هذه الدراسة تقدم ضمانات نظرية للتقارب نحو توازن ناش (Nash equilibrium).

تُعَد هذه الدراسة الأولى من نوعها التي تُدرّب فيها السياسات التفاعلية للقيادة باستخدام تقنية اللعب الزائف العميق، حيث تم التحقق من فاعلية إطار العمل هذا باستخدام مجموعة بيانات INTERACTION. وأظهرت النتائج أن الإطار المقترح يحقق أداءً مرضيًا في تعلم سياسات القيادة الشبيهة بالبشر، حيث تمكّن من التقاط اختلافات فردية في مستوى عدوانية السائقين وتفضيلاتهم. علاوة على ذلك، أظهرت دراسة الحذف أهمية كل عنصر ضمن النموذج.

للاستزادة، يُمكنك الاطلاع على الشيفرة المستخدمة في البحث عبر الرابط: GitHub. ما رأيكم في أهمية هذا التطور التقني؟ شاركونا في التعليقات.