في عصر الذكاء الاصطناعي، تظل الدوارات (roundabouts) واحدة من أكبر التحديات أمام القيادة الذاتية والتلقائية، حيث تساهم التفاعلات الإنسانية المتنوعة والغموض المحيط بنوايا السائقين في خلق حالة من عدم اليقين. وللتغلب على هذه التحديات، قدم الباحثون نظامًا جديدًا يعرف باسم ROSA-RL، والذي يهدف إلى تحسين الدخول إلى الدوارات باستخدام التعلم التعزيزي (Reinforcement Learning).

يتسم نظام ROSA-RL بقدرته على توقع ازدحام المناطق المتعارضة بكفاءة، مما يمكّن المركبات ذاتية القيادة والمركبات التي يقودها البشر من الدخول بشكل آمن وسلس. يعتمد النظام على نموذج مبني على تقنية Transformers، حيث يتنبأ بإشغال مناطق التعارض خلال الفترة الزمنية الممتدة لخمس ثوانٍ. هذا النموذج يأخذ بعين الاعتبار التفاعلات المتعددة بين المركبات، مما يمكنه من توقُع الصراعات الوشيكة والفجوات المتاحة للدخول.

ما يجعل ROSA-RL فريدًا هو قدرته على تشفير عدم اليقين في الحركة المستقبلية ونوايا السائقين، مما يعزز إطار العمل التقليدي للتعلم التعزيزي ويسمح بتنسيق سرعات المركبات بحذر. في التجارب التي تم تقييمها باستخدام بيانات واقعية، أثبت ROSA-RL كفاءته الكبيرة في التعامل مع حالات عدم اليقين وتفوقه على نماذج سابقة مشابهة، ليغلق فجوة التوقعات المثالية التي تفترض معرفة كاملة بالازدحام.

للمزيد من الاطلاع على النتائج والتفاصيل التقنية، يمكنكم زيارة مستودع الشيفرة المصدرية الخاص بهذا المشروع على GitHub: github.com/urbanAIthi/ROSA-RL.