تعتبر أنظمة المركبات الذاتية (AV) في الوقت الراهن قادرة على وضع سياسات قيادة موثوقة تحت ظروف الحركة اليومية. لكن، عندما يتعلق الأمر بالسيناريوهات الحرجة المتعلقة بالسلامة، تواجه هذه الأنظمة تحديات كبيرة. السبب الرئيسي يعود إلى ندرة مثل هذه الحالات في مجموعات بيانات القيادة، بالإضافة إلى التعقيدات المرتبطة بالنمذجة التنبؤية لمجموعة من المركبات.

لذا، تعتبر محاكاة السيناريوهات الحرجة من التحديات الأساسية في مجال الذكاء الاصطناعي. في ورقتنا البحثية الجديدة، نقدم لكم TrafficGamer، المنصة التي تسهل محاكاة حركة المرور باستخدام نظرية الألعاب (Game Theory)، حيث يتم اعتبار القيادة على الطرق كنوع من الألعاب متعددة الوكلاء.

عند تقييم أدائها التجريبي عبر عدة مجموعات بيانات في العالم الحقيقي، أثبتت TrafficGamer قدرتها على تحسين دقة، وقابلية استغلال، وتنوع السيناريوهات المحاكية، مما يضمن توافقها مع توزيع حركة المرور الواقعي. وبفضل هذه المنصة، يمكننا أيضًا تمثيل السيناريوهات الحرجة التي تنطوي على عدة وكالات بشكل أكثر فعالية مقارنةً بالطرق الأخرى.

بالإضافة إلى ذلك، تظهر النتائج أن TrafficGamer توفر محاكاة مرنة للغاية عبر سياقات متعددة. حيث يمكن تكوين السيناريوهات لتتكيف ديناميكيًا مع معايير خطرة مختلفة خلال عملية التحسين، مما يعكس توازنات مختلفة تتعلق بالسلامة.

إذا كنت مهتمًا بجربت محاكاة TrafficGamer، يمكنك زيارة صفحة العرض لدينا: TrafficGamer Demo. هل تعتقد أن هذه التقنية ستُحدث ثورة في سلامة المركبات الذاتية؟ شاركونا آرائكم في التعليقات!