تعتبر تقنيات التنبؤ بالحركة جزءًا حيويًا في نظم القيادة الذاتية، حيث تؤثر الحركات المستقبلية بشكل مباشر على التحقق من التصادم وتخطيط السلوك والرقابة. ورغم الجهود المبذولة في هذا المجال، تبقى مهمة التنبؤ تحديًا كبيرًا في ظل التفاعلات الكثيفة والسلوكيات المتنوعة والمستقبلات متعددة الطرق، خاصة مع القيود على قدرة الحوسبة على متن الآليات.

ساهمت النماذج الحالية مثل النماذج القائمة على الرسوم البيانية (Graph)، والانتباه (Attention)، والتنبؤات التوليدية (Generative Prediction) في تحسين التفكير التفاعلي أو نمذجة عدم اليقين، ولكن غالبًا ما كانت تصاميمها عالية السعة مكلفة للنشر في الوقت الحقيقي. في حين أن المُتنبئين خفيفي الوزن وعمليات التقطير التقليدية تُخفّض تكاليف الاستدلال، إلا أنها تعتمد عادةً على تقليد ثابت ولا تصحح بشكل صريح انحياز المعلم المتعلق بالسلامة.

يوفر نموذج MAVEN-T إطار عمل لعملية تقطير معزز غير متجانس، مما يتيح التنبؤ بحركة الوكلاء المتعددة في الوقت الحقيقي بكفاءة عالية. يتضمن هذا النموذج معلمًا عالي السعة يقوم بنمذجة التفاعلات المحلية الموجهة بواسطة مُشفّر الرسم البياني الواعي للسياق، ويجمع بين تصفية زمنية فعالة مع اهتمام مكاني مع تغيير النوافذ، ويفكك المستقبلات الخاصة بالمناورة من خلال رأس مختلط من الخبراء.

تم تدريب نموذج طلابي مُدمج من نوع GRU مع رأس سياسة مُعدل بتقنية منخفضة المرتبة بواسطة عمليات تقطير عبر مستويات الميزات والانتباه والدلالات. ولتوافق التنبؤ مع سلوكيات الوكلاء في المحيط، يتم تحسين النموذج الطلابي بشكل إضافي باستخدام مكافآت تحسين السياسة القريبة (Proximal Policy Optimization) لتجنب التصادم وزيادة الراحة والتقدم. كما تساهم منهجية تعليمية واعية بالقدرة وعملية توحيد الوزن المرن في استقرار التدريب على مراحل.

أظهرت التجارب على مجموعة بيانات NGSIM وHighD وMoCAD وArgoverse~2 ومجموعة بيانات Waymo Open Motion دقة وكفاءة وتعميم وموثوقية وسلامة مغلقة للدائرة. حقق الطالب ضغطًا للمعلمات قدره 6.2 مرة، وتسريعًا للاستدلال بمعدل 3.7 مرة، وزمن استجابة يبلغ 14.6 مللي ثانية على منصة NVIDIA Jetson AGX Orin مع الحفاظ على دقة تنافسية.