في عالم الذكاء الاصطناعي، يأتي خوارزمية جديدة تُدعى Traj-LeWM، التي تُعد خطوة نحو تحسين أنظمة التخطيط الذكي. يعتمد هذا النموذج، الذي يجمع بين الرؤية الحاسوبية والتعلم الآلي، على نموذج LeWM القديم، إلا أنه يتجاوز قيوده بطريقة مبتكرة. تقوم Traj-LeWM بتعلم الديناميات الكامنة من المدخلات البصرية مع تحسين القدرة على تقييم ومقارنة تسلسل الإجراءات المرشحة.

من المثير للاهتمام أن LeWM، رغم فعاليته، كان يواجه بعض التحديات. أولاً، خلال فترة التدريب، كان يعتمد بشكل رئيسي على التنقلات المحلية، مما يعني أنه لم يكن يقوم بتقييم المسارات الكاملة بشكل يربطها بأهداف المهمة. ثانياً، خلال مرحلة التخطيط، كان يعتمد فقط على المسافات بين النقاط النهائية المرشحة، مما أثر سلباً على دقة التوقعات.

لذا، جاءت Traj-LeWM لتقدم حلاً مبتكرًا. إذ أنها تحتفظ بأهداف الديناميات المحلية ونقاط النهاية، ولكنها تُدخل تكلفة مسار كامن (LTC) مشروطة بالهدف، ما يعزز من أهمية المعلومات المستمدة من المسارات الكاملة. إذ تلعب LTC دورًا في توجيه التفضيلات خلال التدريب، مما يساعد نموذج تمثيل مشترك أكثر دقة.

عند تقييم الأداء، أظهرت Traj-LeWM تفوقًا ملحوظاً على LeWM في العديد من المهام، مثل Push-T و OGBench-Cube و Reacher و Two-Room، حيث حققت تحسينات بنسبة 3%، 14%، 7% و 7% على التوالي. هذه النتائج تشدد على أهمية دمج المعلومات المستندة إلى المسار في تقييم الخيارات المرشحة، مما يُثبت مرة أخرى أن الفهم الأعمق يمكن أن يفتح آفاقاً جديدة للإبداع في تقنيات الذكاء الاصطناعي.