ثورة القيادة الذاتية: تعلم تعزيز متعدد الوكلاء لضمان الأمان في مواجهة سلوكيات المشاة الغامضة

في عالم السيارات ذاتية القيادة (Self-Driving Cars - SDC) الذي يتطور باستمرار، تتزايد الحاجة إلى اختبار سلامة المركبات في ظروف واقعية تعكس سلوك المشاة. تعتمد الأساليب التقليدية للاختبار بشكل كبير على نماذج مشاة مبسطة أو مبرمجة مسبقاً، مما يحد من دقة التقييمات الأمنيّة خاصة في مواقف مثل عبور الشارع بشكل غير قانوني (jaywalking) حيث تُؤثّر السمات الشخصية على سلوك المشاة.

تقدم دراسة جديدة فكرة استخدام تعلم تعزيز متعدد الوكلاء (Multi-Agent Reinforcement Learning - MARL) لتدريب السيارات ذاتية القيادة والمشاة في بيئة تدريب مشتركة، مما ينتج عنه سيناريوهات تفاعلية أكثر واقعية. هذا النهج لا يقتصر فقط على تحسين أداء السيارات بل يقيس الفجوة في السلوك بين عبور المشاة المتوقع وغير المتوقع من خلال تتبع الحركة.

تظهر التجارب التي أجريت على المركبات ذاتية القيادة و12 مشاة باستخدام أسلوب تحسين السياسة القريب المتعدد الوكلاء (Multi-Agent Proximal Policy Optimization - MAPPO) أن السيارة تفوقت في تحقيق أهدافها بنسبة 78% مع مستوى اصطدام بلغ 14%، بالمقارنة مع 35% من الأهداف و33% من الاصطدامات في أساليب القاعدة التقليدية.

أظهرت النتائج أن احتمالية عبور المشاة بشكل غير قانوني شكلت 13% من حوادث العبور، لكنها كانت مرتبطة بـ 62% من الاصطدامات، مما يسلط الضوء على أهمية فهم ديناميكيات السلوكيات غير المتوقعة. ومن الجدير بالذكر أن التحسين المشترك مع المشاة باستخدام MARL أسهم في تقليل الاصطدامات بنسبة 30% مقارنة بالأساليب التقليدية، حيث تعلم المشاة الانتظار عند اقتراب السيارات بسرعة.

مع استمرار تزايد عدد السيارات ذاتية القيادة على الطرقات، يبدو أن هذه الأبحاث تمثل خطوة هامة نحو تحسين سلامة جميع مستخدمي الطريق، مما يستدعي اهتمامًا واسعًا بممارسات التدريب والتحكم في سلوك المشاة.