في عالم السيارات الذاتية، تظل تحديات تخطيط الحركة تمثل عقبة رئيسية أمام الاعتماد الكلي على هذه التكنولوجيا. وفي خطوة مثيرة، تم الكشف عن معيار Shift & Drift، والذي يعد الأول من نوعه، مصمماً لاختبار تخطيط الحركة عبر مسارين رئيسيين.

الهدف الأساسي من Shift & Drift هو تقييم نُظم التخطيط في مواجهة التغيرات، سواءً في توزيع البيانات أو خلال مواقف غير متوقعة. يتضمن المسار الأول، المعروف باسم 'مسار التحول الدلالي'، تقنيات جديدة تحول بيانات من مجموعة DeepScenario Open 3D إلى بيئة محاكاة nuPlan. هذا يسمح بتقييم يُعرف بـ 'Zero-Shot' لنُظم التخطيط المدربة على بيانات تتعلق بشمال أمريكا وسنغافورة، عندما يُواجهون سيناريوهات من أربع مدن ألمانية ومدينة سان فرانسيسكو الأمريكية.

أما المسار الثاني، 'تحول توزيع الحالة'، فترتكز هذه الآلية على تحفيز التغيرات العشوائية في ديناميات المركبة ذاتية القيادة لتقييم مرونة النظام في مواجهة الأخطاء التنفيذية المتراكمة.

تكشف النتائج عن مفارقة مهمة: بينما تتفوق طرق التعلم بالتقليد في المعايير التقليدية، تعاني من إخفاقات كبيرة في البيئات الكثيفة بالمشاة، في حين تظهر الأنظمة المعتمدة على التعلم التعزيزي انخفاضاً أكثر سلاسة في أداءها، مما يعكس توازناً بين الإخلاص في التقليد والقدرة على التعامل مع المواقف المفاجئة.

إجمالاً، يمثل Shift & Drift فرصة موثوقة لتقييم التقدم نحو نشر موثوق لتكنولوجيا المركبات الذاتية، مما يعد بتغييرات جذرية في كيفية تعاملنا مع التنقل الذكي في المستقبل.