Guiding Neuro-Symbolic Scenario Generation with Spatio-Temporal Logic

ملخص تقني: توجيه توليد السيناريوهات العصبي-الرمزي باستخدام المنطق المكاني-الزماني

بيان المشكلة
لقد تجاوز التقدم السريع في تقنيات القيادة الذاتية (AD) وتيرة تطوير أساليب التقييم القوية للسلامة. تعتمد الاختبارات التقليدية على التعرض بالقوة الغاشمة لأعداد هائلة من مشاهد المرور في العالم الحقيقي، وهي استراتيجية مكلفة للغاية وغير فعالة إحصائياً في التقاط الحالات الحدية النادرة والحرجة للسلامة. وبينما تقدم النماذج التوليدية العميقة، وخاصة نماذج الانتشار (Diffusion Models - DMs)، بديلاً واعداً لتخليق مسارات متعددة الوكلاء واقعية، إلا أنها تفتقر إلى آليات لتوجيه التوليد صراحةً نحو سلوكيات محددة وحرجة للسلامة دون الحاجة لإعادة التدريب. غالباً ما تعاني أساليب التوجيه الحالية من تعقيدات المجال المروري من الناحية المكانية-الزمانية ومتعددة الوكلاء. علاوة على ذلك، تواجه الأساليب الصورية مثل المنطق الزماني الإشاري (Signal Temporal Logic - STL تحديات في القابلية للتوسع والتفسير في الأنظمة متعددة الوكلاء بسبب الانفجار التوليفي المطلوب لتحديد التفاعلات بين الوكلاء غير المتجانسين. وتظل هناك فجوة حرجة في تحديد المتانة الكمية للخصائص التي تتضمن سمات فئوية (مثل أنواع المركبات)، مما يحد من استخدام المنطق الصوري كهدف قابل للاشتقاق للتحسين.

المنهجية
يقترح المؤلفون STRELGen، وهو إطار عمل قابل للتوسع يجمع بشكل تآزري بين نموذج انتشار لتوليد المسارات متعدد الوكلاء ومنطق الوصول والهروب المكاني-الزماني الملون (CSTREL). تعمل المنهجية عبر ثلاث مراحل رئيسية:

1. الأساس المرجعي لتوليد المسارات: يستخدم النظام نموذج انتشار في الفضاء الكامن (Latent Diffusion Model - LDM) يعتمد على البنية المعمارية من [23]. يقوم هذا النموذج بتوليد المسارات المستقبلية لجميع الوكلاء بشكل مشترك، مشروطاً بسياق المشهد (الخرائط، التاريخ، التفاعلات) المشفر عبر QCNet مدرب مسبقاً. يستخدم المؤلفون الصيغة الضمنية (DDIM) لضمان أن تكون العملية العكسية حتمية، مما يسهل عملية الانتشار المتدرج المستقرة.
2. المنطق المكاني-الزماني الملون (CSTREL): لمعالجة قيود المنطق المكاني-الزماني القياسي (STREL) فيما يتعلق بالمسندات الفئوية، قدم المؤلفون CSTREL. يقوم هذا المنطق بتقسيم الرسم البياني المكاني إلى رسوم بيانية فرعية محددة بالألوان بناءً على سمات الوكيل (مثل: سيارة، مشاة، دراجة).
   • الدلالات القابلة للاشتقاق: يوسع CSTREL منطق STREL عبر تعريف دالة تلوين $p: L \times \mathbb{R}^+ \to C$. ويقدم "الذرات الملونة" وعمليات "الوصول/الهروب الملونة" التي تقيد البحث في المسارات بالعقد التي تطابق مجموعات ألوان محددة. ومن الأهمية بمكان أن هذا التوسع يسمح باشتقاق قيم متانة مستمرة حتى من السمات الفئوية المنفصلة، مما يجعل المنطق قابلاً للاشتقاق بالكامل.
   • التنفيذ: تم تطوير مكتبة PyTorch لحساب قيم المتانة هذه، مما يتيح التحسين القائم على التدرج.
3. التوجيه في الفضاء الكامن: في وقت الاستدلال، يقوم الإطار بتحسين المدخل الكامن $z$ لنموذج الانتشار المدرب مسبقاً لتعظيم استيفاء صيغة CSTREL $\phi$.
   • دالة الهدف: يعمل التحسين على تعظيم مقياس المتانة $\rho_\phi(G_\theta(z))$. بالنسبة للسيناريوهات الحرجة للسلامة، يتم استهداف أقصى متانة عبر الوكلاء؛ ولأجل الواقعية، يتم استخدام الحد الأدنى.
   • التنظيم: لمنع التحسين من الانحراف إلى مناطق منخفضة الاحتمالية في الفضاء الكامن (عينات خارج التوزيع)، يتم إضافة حد تنظيم يتناسب مع لوغاريتم الاحتمالية للمدخل الكامن (بافتراض توزيع غاوسي قياسي). الهدف النهائي هو $J(z) = \rho_\phi(G_\theta(z)) - \lambda \frac{1}{2}\|z\|_2^2$.

المساهمات الرئيسية

1. منطق CSTREL: امتداد جديد لمنطق STREL يقوم بتقسيم الرسوم البيانية المكانية حسب سمات العقد. يتيح ذلك مراقبة الخصائص المكانية المعقدة عبر فئات محددة من الأشياء مع الحفاظ على دلالات المتانة المستمرة، مما يحل مشكلة الدلالات الكمية غير المعرّفة للبيانات الفئوية.
2. إطار توجيه قابل للاشتقاق: طريقة تستخدم مواصفات CSTREL كدوال هدف لتحسين الفضاء الكامن للنماذج التوليدية مباشرة. يسمح هذا بإنتاج مسارات تستوفي المتطلبات المكانية-الزمانية دون الحاجة لإعادة تدريب النموذج.
3. تعزيز البيانات الحرجة للسلامة: استراتيجية لتوليد سيناريوهات متنوعة، واقعية، وحرجة للسلامة، وهي سيناريوهات ممثلة بنقص في بيانات العالم الحقيقي، مما يضمن الاتساق مع قواعد المرور ويمنع المخرات غير الواقعية من خلال تنظيم الاحتمالية.

النتائج
تم تقييم النهج باستخدام مجموعة بيانات Argoverse 2 Motion Forecasting عبر ثلاثة سيناريوهات تمثيلية حرجة للسلامة: مركبة سريعة تصل إلى مستخدم طريق ضعيف، مركبة سريعة تجد مركبة بطيئة أمامها، وسيارة سريعة محاطة بسيارات بطيئة.

• فعالية التوجيه: نجح STRELGen في توجيه نموذج الانتشار لإنتاج مسارات تستوفي مواصفات CSTREL المستهدفة. في التوليد غير الموجه، كانت حوالي 13.6% فقط من السيناريوهات تشكل تحدياً (متانة إيجابية)، بينما حقق النهج الموجه استيفاءً بنسبة 100%.
• مقاييس السلامة: أنتج التوليد الموجه باستمرار مسافات دنيا بين الوكلاء أقل في الوسيط وعدد أكبر من التصادمات المحتملة مقارنة بالنموذج الأساسي، مما يؤكد توليد سلوكيات حرجة للسلامة.
• المعقولية: ضمن التحليل النوعي واستخدام تنظيم الاحتمالية أن المسارات المولدة ظلت معقولة فيزيائياً ومتوافقة مع هندسة الطريق، متجنبة الهلوسات خارج التوزيع. نجح الأسلوب في موازنة التحسين القائم على المواصفات مع الحفاظ على القيود الفيزيائية.

الأهمية
يزعم البحث أن STRELGen يوفر أداة مرنة، قابلة للتفسير، وقوية لاختبار الإجهاد لأنظمة القيادة الذاتية. من خلال سد الفجوة بين النماذج التوليدية القائمة على البيانات والمنطق الصوري، يتجاوز إطار العمل حدود جمع البيانات بالقوة الغاشمة. فهو يتيح التقييم المنهجي لتغطية النموذج التوليدي فيما يتعلق بالأحداث النادرة، ويسمح بالتوليد المستهدف للسيناريوهات الحرجة للسلامة التي تقع ضمن توزيع البيانات المتعلمة. ويرى المؤلفون أن هذا النهج يسهل إنشاء بيئات اختبار صارمة ضرورية للتحقق من المتانة في العالم الحقيقي، مما يوفر مساراً نحو نشر أكثر موثوقية للمركبات ذاتية القيادة.