في عالم قيادة السيارات الذاتية، تظهر تقنيات جديدة تهدف إلى تعزيز السلامة والأداء. قدم الباحثون نموذج انسيابي (Diffusion Model) يتمتع بقدرة مذهلة على فهم التوزيعات المستقبلية المعقدة في مشاهد القيادة. يمكن لهذا النموذج المدرب مسبقًا القيام بدورين متكاملين ضمن دورة تطوير القيادة الذاتية: التخطيط الحركي (Ego Motion Planning) وتوليد سيناريوهات حرجة للأمان لاختبار المخططين.

على صعيد التخطيط، تم تقديم مُشفر مزدوج تدفق (Single-Stream Dual-Stream - SSDS) الذي يجمع بين السياق المشهدي عبر الانتباه المشترك، مما يعزز الأداء في الحلقات المغلقة باستخدام منصة nuPlan. وكذلك تم اقتراح تقنية جديدة تُعرف باسم "العينة اللاحقة المتباينة مع الطاقة" (Decoupled Annealing Posterior Sampling with Energy - DAPSE)، التي تتيح توجيه الوظائف الطاقية بشكل حر في عينات نظيفة، مما يتفادى الأخطاء المرتبطة بالتقريب من الدرجة الأولى دون الحاجة لشبكات مساعدة.

لكن الأهم، هو الاستفادة من نفس النموذج الانسيابي كمولد للسيناريوهات القابلة للتحكم، لإنشاء تفاعلات قيادة واقعية تحدد التحديات خلال التقييم. من خلال التوجيه خلال وقت الاستنتاج، يمكن زرع سلوكيات حرجة مثل الدخول العدواني للمركبات، الكبح المفاجئ للسيارات الرائدة، وغيرها من التفاعلات الديناميكية.

تم تقييم هذه السيناريوهات في محاكاة مغلقة باستخدام المخططين المستقلين، مما يكشف عن أنماط الفشل التي تبقى مخفية تحت المؤشرات القياسية. ورغم أن المخطط المبني على SSDS سجل أداءً أقوى، إلا أنه عانى من تدهور أكبر في هذه السيناريوهات المعقدة، مما يدل على أن التفوق في المعايير لا يضمن دوماً المتانة.

تظهر هذه النتائج بأن نموذج انسيابي واحد يمكن أن يحسن التخطيط الحركي ويوفر إطارًا واقعيًا لتقييم متانة المُخطط بشكل نظامي.