يمثل تحويل مفهوم القيادة الذاتية تحديًا في تحقيق سلوكيات مشابهة للسائقين البشريين في السيناريوهات المرورية المعقدة والديناميكية. يأتي هنا دور نموذج MPCFormer، الذي يعد خطوة نوعية في هذا الاتجاه.

يسلط MPCFormer الضوء على التحديات الحالية التي تواجه مركبات القيادة الذاتية، خاصةً في قدرتها المحدودة على التفاعل مع المركبات المحيطة. يتمثل الابتكار الرئيسي في استخدام نموذج ديناميكي مُبني على قواعد الفيزياء، مما يوفر تفسيرًا واضحًا للتفاعلات الاجتماعية بين المركبات في بيئات مرور كثيفة.

تستند آلية عمل MPCFormer إلى تمثيل فضائي-حالي للديناميات، حيث يتم إشراك معلومات فيزيائية لتعزيز إمكانية فهم النموذج. يتم تعلم معاملات الديناميكا من بيانات القيادة الطبيعية باستخدام بنية Encoder-Decoder المستندة إلى Transformer.

وفقًا لأحدث الأبحاث، يعد MPCFormer أول نموذج يركز بشكل صريح على ديناميات التفاعلات الاجتماعية بين المركبات. هذه الديناميات المكتسبة تتيح للمخطط إنتاج سلوكيات تتماشى مع تصرفات البشر عند التفاعل مع حركة المرور المحيطة.

من خلال الاعتماد على إطار MPC (Model Predictive Control)، يقلل هذا النموذج من المخاطر المحتملة المرتبطة بالأساليب القائمة بشكل كامل على التعلم. تبين النتائج التجريبية، التي تم إجراؤها على مجموعة بيانات NGSIM، أن MPCFormer يحقق الوعي بالتفاعل الاجتماعي بشكل متفوق، حيث يسجل أقل أخطاء في توقع المسارات مقارنةً بأفضل التقنيات المتاحة.

في التجارب المغلقة التي تتطلب تغييرات متتالية في الحارة للخروج من ممر خروجي، أظهرت النتائج فعالية MPCFormer، حيث حقق أعلى معدل نجاح في التخطيط بنسبة 94.67%، مع تحسين كفاءة القيادة بنسبة 15.75%، وتقليل معدل التصادم من 21.25% إلى 0.5%. هذه النتائج تبين تفوق MPCFormer على مخططات تعتمد على التعلم المعزز (Reinforcement Learning).

ما رأيكم في هذا التطور الرائع في عالم القيادة الذاتية؟ شاركونا آرائكم في التعليقات!