تعتبر توقع مسارات المشاة (Pedestrian Path Prediction) من أهم العوامل التي تعزز السلامة في المركبات الذاتية وأنظمة مساعدة السائق المتقدمة. في السنوات الماضية، تم استكشاف أشكال مختلفة من مهام التعلم لتوقع مسارات المشاة، لكن معظم الدراسات كانت تركز على استخدام الشبكات العصبية السطحية فقط.

ومع ذلك، قدمت الدراسة الجديدة تعديلاً على نموذج الشبكة العصبية العميقة المعروف باسم شبكة الانتباه الزماني المكاني (Spatial-Temporal Graph Attention Network - STGAT) لتطوير إطار موحد لتوقع مسارات المشاة. تحتوي الدراسة على تعريفات جديدة للحالات والإجراءات الخاصة بـ STGAT، مما يدعم السياسات الحتمية والعشوائية، وكذلك اتخاذ القرارات مرة واحدة أو بشكل تسلسلي.

كما تمت الاستعانة بخوارزميات التعلم التعزيزي مثل REINFORCE وتحسين السياسة القريب (Proximal Policy Optimization) لتحسين الأداء في توقع المسارات. أظهرت النتائج أن التركيز على إعادة صياغة عملية اتخاذ القرار وأهداف التدريب قد يساهم في تحسين بنية دقيقة لتوقع مسارات المشاة، مما يوفر أيضاً رؤى جديدة لتحسين نماذج التوقع المعتمدة على الرسوم البيانية.

إن هذا الابتكار يعد خطوة حيوية نحو مستقبل أكثر أماناً في عالم قيادة المركبات الذاتية، مما يفتح آفاقاً جديدة لتطبيقات التكنولوجيا في هذا المجال. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!