أحدثت تقنيات التعلم العميق ثورة في العديد من المجالات، وكان تخطيط الحركة في التطبيقات الروبوتية أحد المجالات التي استفادت بشكل كبير من هذا التقدم. تشير الأبحاث إلى أن التعلم من بيانات ضخمة يُعتبر أمرًا حيويًا لفهم السلوك المعقد المطلوب لإنجاز المهام، مثل المناورة أو التنقل في السيارات الذاتية القيادة.

ومع ذلك، تبقى خوارزميات التخطيط المعتمدة على النماذج، التي تعتمد على البحث أو التحسين، أدوات أساسية نظرًا لمرونتها وكفاءتها وقدرتها على دمج المعرفة الميدانية عبر خوارزميات مصممة من قبل الخبراء ووظائف الهدف. في هذا السياق، تم اقتراح إطار عمل مبتكر يهدف إلى دمج هذين الجانبين.

نبدأ بتعلم نموذج Encode-Decode يُعرف بجودة ضغط عالية وفضاء خفي مرتب هرمياً وقيمه منفصلة. من خلال الاستفادة من تقليل الأبعاد والبنية الهرمية التي تعلمها هذا النموذج، نقوم بعد ذلك بتخطيط الحركة من خلال البحث المباشر في الفضاء الخفي.

يمكن أن يعمل هذا البحث على تحسين وظائف الهدف العادية، مما يوفر درجة كبيرة من المرونة مع الحفاظ على الكفاءة وإنتاج حلول واقعية عبر الاستفادة من القدرات التوليدية للنموذج المضغوط. أظهرت تجاربنا على مجموعتي بيانات nuPlan وWaymo Open Motion أن البحث في الفضاء الخفي يمكن أن يُستخدم في مجموعة متنوعة من المهام المتعلقة بالتوجيه، مع تحقيق أداء قوي في تخطيط الحركة ذو الحلقة المغلقة وتوليد سيناريوهات توجيه متعددة الوكلاء دون الحاجة للتدريب المحدد على المهام.