في عالم يتزايد فيه الاعتماد على السيارات ذاتية القيادة، يبقى التفاعل بين هذه المركبات والسائقين البشريين تحديًا كبيرًا. تتطلب حالات الحركة المختلطة التي تشمل كلا من المركبات الذاتية والمركبات التي يقودها البشر، وجود تخطيط حركي (Motion Planning) قادر على فهم والتنبؤ بسلوك السائقين البشر في المستقبل.

تاريخيًا، اعتمدت الأساليب القائمة على التعلم التعزيزي (Reinforcement Learning) على دمج نوايا السائقين البشر المتوقعة مباشرةً في النظام، ما يعزز القدرة على التخطيط الاستباقي. لكن المشكلة تتمثل في أن نوايا البشر تحمل طبيعة غير مؤكدة بسبب تنوع السلوكيات، الضجيج في الإدراك، ووجود معلومات جزئية فقط.

إذا اعتُبرت النوايا المتوقعة كحالات حتمية، قد يؤدي ذلك إلى اتخاذ قرارات غير آمنة من قبل المركبات الذاتية. هنا تطرح استراتيجية التخطيط الحركي المدرك لعدم اليقين (UAMP) كحل أكثر تقدماً.

تعمل UAMP على دمج عدم اليقين في توقع نوايا البشر، حيث تبدأ بتقديم مُقدِّر للغموض يدرك القرب (Proximity-Aware Uncertainty Estimator) لتقييم عدم اليقين المرتبط بتفاعل المركبات. هذا يُمكِّن النظام من بناء توزيع اتجاهي مشترك كثيف النية للأشخاص المحيطين.

تونت UAMP أيضًا تضمين التعلم المعزز المنظم للغموض (Uncertainty-Calibrated Value Learning - UCVL) الذي يسعى لتصحيح انحيازات تعلم الدالة القيمة الناتجة عن دمج توقعات نية البشر غير المؤكدة.

أظهرت الأبحاث المكثفة على مجموعة متنوعة من سيناريوهات الحركة المختلطة أن UAMP تحسن بشكل كبير من مستوى السلامة وراحة القيادة، مع الحفاظ على كفاءة المرور مقارنة بالطرق السابقة.

تشكل هذه التطورات خطوات مهمة نحو مستقبل أكثر أماناً وسلاسة للقيادة الذاتية، حيث يجري التخلص من المخاطر المرتبطة بالتفاعلات غير المتوقعة مع السيارات التي يقودها البشر.