شهدت تقنيات الذكاء الاصطناعي مؤخرًا تقدمًا ملحوظًا في مجالات متعددة، وقيادة السيارات الذاتية ليست استثناءً. تظهر نماذج الانتشار (Diffusion Models) كخيار واعد لاستخدامها في مهام اتخاذ القرار في robotics، لكن تطبيقاتها في القيادة الذاتية لا تزال محدودة. في هذا السياق، أجرت دراسة شاملة تهدف إلى استكشاف الإمكانيات الكاملة لنماذج الانتشار كمنظمين لمهام القيادة الذاتية الكاملة (End-to-End Autonomous Driving - E2E AD).

استندت الدراسة إلى كمية هائلة من بيانات المركبات الحقيقية واختبارات الطرق، حيث أجريت تحقيقات منهجية لدراسة كيفية تحسين نماذج الانتشار. تم تحديد رؤى رئيسية حول فضاء خسارة الانتشار، تمثيل المسارات، وتحجيم البيانات التي تؤثر بشكل كبير على أداء التخطيط في القيادة الذاتية. بالإضافة إلى ذلك، قدم الباحثون استراتيجية فعالة للتعلم التعزيزي بعد التدريب لتعزيز سلامة وموثوقية المحاكي الذي تم تعلمه.

تم نشر إطار التعلم القائم على نماذج الانتشار، المعروف باسم مخطط الانتشار الفائق (Hyper Diffusion Planner - HDP)، على منصة مركبة حقيقية وتم تقييمه عبر 6 سيناريوهات قيادة حضرية و200 كيلومتر من اختبارات العالم الحقيقي. حقق HDP تحسنًا ملحوظًا بعشر مرات في الأداء مقارنة بالنموذج الأساسي.

تظهر هذه النتائج أن نماذج الانتشار، عند تصميمها وتدريبها بشكل صحيح، يمكن أن تكون خططًا فعالة وقابلة للتوسع لمهام القيادة الذاتية المعقدة في العالم الحقيقي. تطلعاتنا المستقبلية بشأن الذكاء الاصطناعي في السيارات تمثل طفرة في الابتكار، فهل أنتم مستعدون لمتابعة هذه التطورات؟