تعد تقنيات القيادة مستخدمة الرؤية واللغة (Vision-language-action) واحدة من أبرز التطورات في عالم الذكاء الاصطناعي، حيث تسعى إلى دمج التعلم من المسارات المتعددة (multi-trajectory imitation learning) مع تحسين السياسة النسبية (group-relative policy optimization)، مما يجعل اختيار المسارات عاملاً حاسمًا في الأداء النهائي للقيادة الذاتية.

ومع أن بعض المسارات عالية التقييم قد تعزز التعلم التقليدي، إلا أنها قد تُفسد لاحقًا تحسين السياسة عبر إعطاء تقديرات مزايا غير متطابقة مع توزيع سلوك السياسة الحالية، مما يؤدي إلى تحديثات بعيدة عن السلوكيات الآمنة والمتوافقة. للتغلب على هذه المشكلة، نقدم إطار عمل مبتكر يوافق بين الإشراف متعدد المسارات وتحسين السياسة.

لحل انحياز تدرجات السياسة الناجم عن المسارات الضوضائية غير الممكنة خارج المنطقة القابلة، نجد أن المسارات المعززة تُقيد لتكون قريبة من المجال الحقيقي القابل، كما نعتمد معايير باريتو المثلى (Pareto-optimality criterion) بدلاً من الدرجات التقليدية، مما يحتفظ فقط بالمرشحين غير المهيمنين ويعمل على تصفية العينات المتضاربة مباشرةً من المصدر.

لتعزيز فعالية المشرف الموسع خلال تحسين السياسة، نقدم آليتين مكملتين: تعيين المزايا في البداية بناءً على القابلية والتقطير الديناميكي. تعمل الأولى على تكييف الفوائد وفقًا لمكون القابلية في كل مجموعة من التجارب، بينما تقوم الثانية بتحديث مسارات المعلم عبر جولات التحسين لنقل إشراف مفيد بشكل مستمر. من خلال دمج هذه العناصر، نُترجم تدريجيًا فوائد الإشراف الموسع إلى تحسين السياسة.

لقد أظهرت نتائج تطبيقنا على NAVSIM v1 وv2 تحقيق دقة تصل إلى 91.4 PDMS و89.1 EPDMS على التوالي، تحت تأثير استدلال المسار الفردي، واستعادة 440 من 658 مشهد فشل في البداية، بزيادة 11.1% عن الخط الأساسي لتحسين السياسة النسبي الأصلي.