في عالم القيادة الذاتية، يُعتبر توقع مشهد المرور من العناصر الحاسمة التي تحدد سلامة وفاعلية الأنظمة. تسلط هذه الأطروحة الضوء على إدخال نماذج جديدة تعتمد على تمثيلات بولينومية (Polynomial Representations) كحل لتحديات تتعلق بالضوضاء وقدرة التعميم التي تواجهها النماذج التقليدية. يوضح البحث أن هذه التمثيلات توفر فوائد واضحة من حيث كفاءة الحوسبة، والقدرة على التعميم، وآلية التوقع.

تستند الأطروحة إلى تحليل نظري وتجريبي لتحقيق نتائج مثيرة؛ حيث تظهر أن التمثيلات البولينومية من الدرجة المتوسطة قادرة على التقاط ديناميات الحركة في العالم الواقعي بدقة عالية دون التأثير على الأداء التوقعي. بناءً على ذلك، تم تطوير نموذج توقع قادر على تجميع كل من المسارات (Trajectories) وهندسة الخريطة باستخدام هذه التمثيلات، مما ساعد في تحقيق دقة قريبة من المستويات المتقدمة في التقييمات القياسية.

وعلاوة على ذلك، يقوم إطار عمل توليدي قائم على الانتشار (Diffusion-based Generative Framework) بتوليد مشاهد متعددة الوكلاء، مما ينتج استمرارات مرورية أكثر واقعية وبدنيا متسقة بالاعتماد على هذه التقنيات الجديدة. أثبتت التقييمات التي أجريت على مجموعات بيانات آرجوفرس 2 (Argoverse 2) ووايمو (Waymo Open) أن التمثيلات البولينية تقلل من التكاليف الحاسوبية وتعزز من القدرة على التعميم عبر القواميس المختلفة، كما تُحسن من سلاسة المسارات وواقعية السلوك.

تشير النتائج إلى أن التقييمات القياسية المعتمدة على المعايير الإحصائية التقليدية قد لا تعكس بشكل صحيح قدرة النموذج على التعميم والموثوقية في التوقع. من خلال توفير مبررات نظرية والتحقق التجريبي، تؤسس هذه الأطروحة تمثيلات المسار البولينومي كأساس فعّال، تعبيري وقابل للتعميم لتوقع مشاهد المرور في أنظمة القيادة الذاتية.