لقد أصبحت أنظمة القيادة الآلية (Automated Driving Systems) جزءًا لا يتجزأ من عالم السيارات المعاصر، وتتجه الأنظار نحو السيارات البرمجية المعرفة (Software Defined Vehicles) التي قد تعمل على تشغيل أنظمة قيادة متعددة. في هذا السياق، قدمت دراسة جديدة تحليلًا لكفاءة ثلاث نماذج تصنيف قائمة على التسلسل: وحدات التكرار المحجوبة (GRU)، وشبكات الذاكرة طويلة وقصيرة المدى (LSTM)، ونموذج الترميز المحول (Transformer encoder)

الغرض من الدراسة هو تقييم القدرة على تمييز أنظمة القيادة الذاتية من المستوى الثاني مثل Comma Openpilot وTesla Autopilot وCadillac Super Cruise، بناءً على بيانات التليماتيات فقط. وقد أظهرت النتائج أن جميع النماذج حققت أداءً قويًا، حيث سجل نموذج GRU معدل F1 قدره 0.92، ونموذج LSTM 0.90، بينما حصل نموذج Transformer على 0.93، عند التدريب على بيانات نظيفة.

لكن ما هي فعالية هذه النماذج عند مواجهة بيانات ملوثة؟ قدمت الدراسة إطار تقويم مرن لمحاكاة تدهور التليماتيات بشكل واقعي من خلال خمس فئات فساد على خمس مستويات حدة (L1-L5). أظهرت النتائج أن التدهور في البيانات الحدثية أدى إلى تقليل طفيف في معدل F1، بينما أدت الاهتزازات الزمنية إلى انهيار شامل لمعدل F1 ليصل إلى 0.44-0.50.

تؤكد هذه النتائج على أهمية تحسين النماذج لتكون أكثر مقاومة لتلوث البيانات، وهو ما يعد أمرًا ضروريًا لضمان سلامة أنظمة القيادة الذاتية في المستقبل. فهل ستنجح هذه النماذج في مواجهة التحديات الكبيرة المقبلة؟ دعونا نتناقش حول ذلك!