في عالم القيادة الذاتية، يعتبر توقع مسارات المركبات (Vehicle Trajectory Prediction) أحد التحديات الحيوية، حيث يلعب دوراً محورياً في تعزيز سلامة النقل وكفاءة إدارة الحركة. ومع ظهور العديد من خوارزميات التعلم العميق، يبدو أن المشكلة لا تزال تتطلب حلولاً فعالة بسبب التعقيدات المرتبطة بعمليات اتخاذ القرار، والتفاعلات مع المركبات المحيطة، وتعدد النوايا الممكنة لكل عميل في ظل ظروف مشابهة.

في هذه الدراسة الحديثة، نقدم نموذج رانكفورمر (RankFormer)، الذي يعتمد بشكل كامل على بنية التحويل (Transformer) لتجاوز قيود النماذج السابقة التي كانت تستند إلى هياكل بيانية محددة (مثل الشبكات العصبية البيانية Graph Neural Network) أو نوايا مُعلّمة. يتميز نموذجنا بقدرته على التعامل مع الاعتمادات الزمنية والتفاعلات المكانية دون الحاجة إلى هياكل بيانية محددة أو عينات مُعلمة للنوايا.

عبر استخدام وحدة انتباه متعددة النماذج (Cross-modal Attention Module)، يتمكن النموذج من تعلم مجموعة من المسارات مع نوايا مرتبة، مما يسهل التقاط التفاعلات بين المركبات بشكل أكثر دقة. كما تم تحسين وحدة الترميز المكاني (Spatial Encoding Module) لتأخذ بعين الاعتبار سرعة التسارع المركزية للمركبات المجاورة.

تستخدم عملية التشفير هنا مسارين منفصلين لتحسين عملية التعلم لكل من المسارات المرتبة والنوايا المعنية. كما توفر وحدة احتمالات التوقع معلومات إضافية بشأن الانتباه المكاني بين المركبات المتنقلة. في النهاية، يُعد نموذج رانكفورمر وسيلة فعالة لتوقع مسارات الوكلاء في مشاهد جوية، مما يمهد الطريق لمزيد من الابتكارات في مجال القيادة الذاتية.