تظل مسألة ضمان السلامة والكفاءة في اتخاذ القرارات لأنظمة القيادة الذاتية تحديًا أساسيًا. فبينما تعاني تقنيات التعلم العميق المعزز (Deep Reinforcement Learning - DRL) من الاستكشاف العشوائي غير الآمن وزمن الاستجابة البطيء، فإن نماذج اللغات الضخمة (Large Language Models - LLMs) تعاني من تأخير طبيعي في العمليات الحركية الفورية.

للتغلب على هذه التحديات، اقترح الباحثون إطار العمل الجديد المعروف باسم SARAD، وهو نظام هجين ذكي يحقق تكاملًا بين نماذج LLM و DRL لتحقيق سلامة أكثر في القيادة الذاتية.

يعتمد SARAD على تحسين عملية اتخاذ القرار من خلال استبدال الاستكشاف العشوائي لـ DRL بقرارات مُعزَّزة بواسطة تقنية الاسترجاع المعززة بالتوليد (Retrieval-Augmented Generation - RAG) والموجهة من خلال نماذج LLM، والتي تستفيد من قاعدة بيانات معرفية ديناميكية.

كما تم اقتراح وحدة مميزة لتوقع التصادمات، تم ضبطها بدقة باستخدام بيانات التصادم التاريخية، مما يُعزز من سلامة المركبات في سيناريوهات القيادة المختلفة.

أظهرت تجارب واسعة النطاق في محاكي Highway-Env أن SARAD يحقق تحسينات مبهرة في الأداء، مما يثبت فعالية النموذج المقترح في تعزيز القيادة الذاتية.