التطور الذاتي للذكاء الاصطناعي: السيطرة المثلى على مواقف السيارات الضيقة باستخدام نماذج اللغة الكبيرة

تعد عملية ركن السيارة في المساحات الضيقة وغير المنتظمة تحديًا كبيرًا للنظم الذاتية. رغم أن طرق السيطرة المثلى (Optimal Control) تستطيع فرض ديناميكيات المركبات وقيود الاصطدام بشكل واضح، إلا أن صعوبة التعامل مع البيئات غير المستوية قد تؤدي إلى فشل هذه الأنظمة. ومن هنا، جاءت الحاجة إلى الاعتماد على نماذج اللغة الكبيرة (Large Language Models) التي تمتلك قدرات استدلالية قوية.

نقدم في هذا المقال إطار العمل SE-LLM-OCP، والذي يمزج بين اتخاذ قرارات المناورات عالية المستوى بواسطة نماذج اللغة الكبيرة، والقدرة على فرض ديناميكيات المركبات وقيود الاصطدام بواسطة آلية التحكم المثلى. يقوم الإطار بتفكيك مهمة ركن السيارة إلى سلسلة من مشكلات تحسين المسار القصيرة الأجل، حيث يقترح نموذج اللغة الكبيرة خططًا مناورية محدودة الخطوات.

عند وقوع فشل في عملية التحكم، يعمل النموذج على تحليل الأخطاء المستندة إلى التجارب السابقة لتوجيه إعادة التخطيط. وعلى المستوى التجريبي، تم التحقق من فعالية هذا الإطار في المحاكاة باستخدام نموذج مركبة شبيهة بالسيارة وآخر بقدرة دفع تفاضلية، وأظهرت النتائج التجريبية قدرة SE-LLM-OCP على تعزيز السلامة في مواقف السيارات الضيقة وتنفيذ نفس تمثيل المناورة على منصات حركية مختلفة.

إن السعي نحو أداء أفضل في عملية ركن السيارة أمر بالغ الأهمية، خصوصاً في البيئات المعقدة. تُظهر النتائج أن دمج التعلم من الأخطاء والتجريب المستمر يمكن أن يؤدي إلى تحسينات ملموسة، مما يجعل الركن الذاتي في المساحات الضيقة أكثر أمانًا ودقة.