في عالم يتسارع فيه التطور التكنولوجي، يظل التحكم في الإشارات المرورية أحد الجوانب الحيوية التي تحتاج إلى تحسينات مستمرة. وقد أظهر التعلم المعزز (Reinforcement Learning) وعوداً كبيرة في هذا المجال، لكنه يواجه تحديات بسبب اعتماده على حالات معرفة مسبقاً، مما يحد من استجابته للأحداث المفتوحة التي قد تحدث في العالم الحقيقي.

لحل هذه المشكلة، تم اقتراح نموذج ReasonLight، الذي يستند إلى فلسفة بسيطة: دمج معلومات متعددة لتحسين قدرة التعلم المعزز. يعتمد ReasonLight على ثلاثة مصادر رئيسية من المعلومات: قياسات مرورية منظمة، ملاحظات من كاميرات متعددة الزوايا، وقرارات مراحل مرورية مرشحة قدمها نموذج تعلم معزز مُدرَّب سلفاً.

عندما يقترح نظام التحكم مرحلة مرورية، يقوم ReasonLight باستخراج المعاني البصرية من الصور المتعددة الزوايا ويقوم بمحاذاتها مع أوصاف المشهد المشتقة من المستشعرات. هذه المحاذاة تتيح لنموذج التكرير المدعوم بالمعاني أن يقرر إما الحفاظ على الإجراء المقترح أو تعديله وفقاً لقواعد المرور وسياقات الأحداث.

لضمان موثوقية التشغيل، تخضع الإجراءات المحسَّنة لمجموعة من المراحل المتاحة، وأي قرار غير صالح يتم رفضه ويتراجع النظام إلى الإجراء الأصلي.

تم اختبار ReasonLight في سياق أحداث نادرة غير مألوفة خلال تدريب النموذج، مثل أولوية المركبات الطارئة وتنظيم حركة المرور المؤقت. وأظهرت النتائج التجريبية أن ReasonLight يحقق تكيفاً فعالاً دون الحاجة إلى إعادة تدريب، حيث تقلل من زمن انتظار المركبات الطارئة بنسبة تصل إلى 88.7% مقارنة بالنموذج القائم على التعلم المعزز فقط، بينما تحافظ على أداء حركة المرور الاعتيادي نفسه.

باختصار، ReasonLight ليس مجرد نموذج تقني، بل يمثل ثورة في كيفية إدارة الإشارات المرورية وتحسين استجابتها للأحداث الطارئة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.