تخيل عالماً تتعلم فيه السيارات ذاتية القيادة السباق ليس فقط على مضمار واحد مثالي، بل على آلاف المسارات المختلفة، لكل منها التواءاته ومنعطفاته وتحدياته الخاصة. هذا هو هدف أبحاث سباقات القيادة الذاتية، وهو مجال مخصص لتعليم الآلات كيفية التنقل في البيئات المعقدة بسرعات عالية. وللقيام بذلك بأمان وبتكلفة منخفضة، يستخدم العلماء سيارات صغيرة يتم التحكم فيها عن بعد تحاكي فيزياء المركبات كاملة الحجم. هذه المتسابقات المصغرة، التي تُبنى غالباً على هياكل قياسية، تسمح للباحثين باختبار مدى قدرة "عقل" الكمبيوتر على الاستجابة للعقبات، والتوجيه عبر المنعطفات الضيقة، والحفاظ على السيطرة دون الاصطدام. ومع ذلك، لكي تصبح هذه الآلات ماهرة حقاً، فإنها تحتاج إلى التدرب على مجموعة واسعة ومتنوعة من المضامير. فإذا تسابقت دائماً على نفس المسارات القليلة، فستصبح خبيرة في تلك المسارات المحددة ولكنها ستفشل عندما تواجه مساراً جديداً. كان التحدي يكمكمن في إنشاء مضامير متنوعة بما يكفي لتدريب هذه السيارات بفعالية دون قضاء سنوات في بنائها يدوياً.

لقلبت فريق من الباحثين نظاماً جديداً يسمى "RoboRacer Arena" يحل هذه المشكلة عن طريق تحويل الخرائط البسيطة تلقائياً إلى بيئات سباق ثلاثية الأبعاد مفصلة. في السابق، كان على الباحثين الاختيار بين خيارين صعبين: إما استخدام محاكاة حاسوبية سريعة وبسيطة تفتقر إلى الفيزياء الواقعية، أو استخدام محاكيات ثلاثية الأبعاد غنية ومفصلة تتطلب من الإنسان بناء كل مضمار يدوياً كأصل رقمي فريد. يسد النظام الجديد هذه الفجوة؛ فهو يأخذ خريطة أساسية، وهي في الأساس شبكة توضح مكان الأرضية وأين توجد الجدران، ويبني فوراً عالماً كاملاً للسباق مكتملاً بالحواجز، والأنسجة، وقواعد التصادم الواقعية. تتم هذه العملية في ثوانٍ، مما يسمح بإنشاء مئات المسارات الفريدة التي يمكن للسيارة القيادة عليها تماماً كما لو كانت في العالم الحقيقي.

لقد صمم الباحثون هذا النظام ليعمل مع ثلاثة أنواع مختلفة من المدخلات، مما يجعله مرناً للغاية. أولاً، يمكنه استخدام خرائط سجلتها السيارات نفسها خلال المسابقات الفعلية، مما يلتقط المخطط الدقيق لمضمار من العالم الحقيقي. ثانياً، يمكنه أخذ مسارات "فورمولا 1" الشهيرة كاملة الحجم وتقليص حجمها لتناسب حجم السيارات المصغرة، مع الحفاظ على المنعطفات والخطوط المستقيمة الشهيرة للمسارات الأصلية. ثالثاً، ولعل هذا هو الأمر الأكثر إثارة للإعجاب، يمكن للنظام الاستماع إلى شخص يصف مضماراً باللغة الإنجليزية البسيطة. إذا قال باحث إنه يريد مساراً يحتوي على ثلاثة منعطفات حادة (hairpin turns) ومنعطف "شيكان" واحد داخل غرفة ذات حجم محدد، فإن النظام يفهم هذا الطلب ويولد مساراً صالحاً يتوافق مع هذه القواعد. هو لا يخمن فحسب، بل يتبع مجموعة صارمة من الفحوصات لضمان أن المضمار ممكن فيزيائياً، وأن لديه العدد الصحيح من المنعطفات، وأنه يناسب المساحة المطلوبة قبل بنائه.

ولتحقيق ذلك، أنشأ الفريق خط إنتاج يعمل مثل مهندس معماري منضبط للغاية. فعندما يصل طلب ما، سواء كان خريطة أو جملة، يتحقق النظام أولاً مما إذا كانت الفكرة ممكنة أصلاً. فهو يحسب ما إذا كانت المنعطفات المطلوبة يمكن أن تتسع في المساحة المتاحة وما إذا كان المسار طويلاً بما يكفي لإجراء سباق. إذا كان الطلب مستحيلاً، فإنه يرفضه فوراً. وإذا كان ممكناً، يقوم النظام ببناء المضمار باستخدام طريقة قائمة على الشبكة تضمن محاذاة الجدر والأرضيات بشكل مثالي. ثم يحول هذه الشبكة إلى نموذج ثلاثي الأبعاد يمكن لمحرك الفيزياء فهمه، مكتملاً بجدران غير مرئية لتصطدم بها السيارة وأرضيات ذات أنسجة لتتمسك بها الإطارات. هذه العملية برمتها، من مجرد فكرة بسيطة أو خريطة مسطحة إلى بيئة ثلاثية الأبعاد جاهزة للقيادة، تستغرق ما بين 1.18 و2.48 ثانية. تعني هذه السرعة أن الباحثين يمكنهم توليد مكتبة من 130 مساراً مختلفاً في غضة دقائق، وهي مهمة كانت ستستغرق أياماً أو أسابيع باستخدام الطرق القديمة.

تم اختبار النظام بدقة لضمان عمله كما هو موعود. في سلسلة من التجارب شملت عشرة مضامير مختلفة وعدة محاولات، نجح النظام في توليد خرائط صالحة في كل مرة، متجاوزاً جميع فحوصات السلامة والتصميم. وعندما طلب الباحثون من النظام بناء مضامير من أوصاف اللغة الطبيعية، فقد فسر المتطلبات بشكل صحيح وأنتج مضامير تطابق المواصفات. كما تحقق الفريق من قدرة النظام على التعامل مع بيانات حقيقية معقدة، مثل الخرائط المسجلة خلال مسابقة "RoboRacer" للسباقات ذاتية القيادة السابعة والعشرين، وتحويلها إلى عمليات محاكاة دقيقة ثلاثية الأبعاد. علاوة على ذلك، قاموا بتوسيع نطاق النظام لتشغيل مئات السيارات في وقت واحد. وفي اختبار معياري، تمكن النظام من محاكاة أكثر من 8,700 خطوة حركة لـ 256 سيارة في آن واحد، مما أثبت قدرته على تحمل الحمل الحسابي الثقيل المطلوب للتدريب واسع النطاق.

إن ما يجعل هذا العمل مهماً ليس السرعة فحسب، بل الاتساق والتنوع الذي يوفره. وجد الباحثون أنه من خلال استخدام تنسيق رقمي مشترك لجميع المضامير، استطاعوا دمج ومزج مصادر مختلفة—خرائط مسابقات حقيقية، ومسارات فورمولا 1 مصغرة، ومسارات مولدة حاسوبياً—في بيئة تدريب واحدة موحدة. وهذا يسمح للسيارات ذاتية القيادة بالتعلم على نطاق أوسع بكثير من الأسطح والمخططات مقارنة بما سبق. يتضمن النظام أيضاً نموذجاً مفصلاً للسيارة نفسها، يأخذ في الاعسب كيفية تماسك الإطارات بالأرض وكيفية توجيه المركبة، مما يضمن أن المحاكاة تبدو واقعية. ومن خلال فصل مهمة وصف المضمار عن مهمة بنائه، أنشأ الباحثون نظاماً يكون فيه المنطق شفافاً والنتائج قابلة للتكرار.

تمتد آثار هذا العمل إلى ما وراء مجرد السباقات. إن القدرة على توليد بيئات متنوعة وعالية الدقة بسرعة هي خطوة حاسمة نحو تدريب الروبوتات التي يمكنها العمل في العالم الحقيقي غير المتوقع. وسواء كان روبوت توصيل يتنقل في مستودع أو سيارة ذاتية القيادة تتعامل مع شارع مدينة جديد، فإن القدرة على التدرب على مجموعة واسعة من سيناريوهات المحاكاة أمر ضروري للسلامة والموثوقية. يوضح نظام "RoboRacer Arena" أننا نستطيع أتمتة إنشاء ساحات التدريب هذه، مما يزيل عقبة التصميم اليدوي. لقد أتاح الباحثون أدواتهم والـ 130 مساراً التي قاموا بتوليدها للجمهور، داعين الآخرين للبناء على هذا الأساس. ومع تقدم مجال الروبوتات ذاتية القيادة، فإن القدرة على توسيع نطاق بيئات التدريب بسرعة وموثوقية ستصبح على الأرجح متطلباً قياسياً، ويوفر هذا النظام مساراً واضحاً للمضي قدماً.

في النهاية، تقدم الورقة حلاً عملياً لمشكلة طويلة الأمد في مجال الروبوتات: كيف تحصل على ما يكفي من بيانات التدريب دون إنفاق ثروة طائلة. فمن خلال تحويل الخرائط البسيطة والأوصاف النصية إلى عوالم معقدة وجاهزة للفيزياء في طرفة عين، منح الباحثون المركبات ذاتية القيادة طريقة جديدة للتعلم. لا يدعي النظام أنه مثالي؛ فهو يقر بأنه يعمل حالياً بشكل أفضل مع المسارات المسطحة والأسطح الموحدة، وأن الميزات الأكثر تعقيداً مثل تغير الارتفاعات لا تزال قيد التطوير. ومع ذلك، بالنسبة لهدف محدد وهو تدريب سيارات السباق الصغيرة، فإنه يقدم أداة قوية وسريعة ومرنة أثبتت جدارتها بالفعل في المحاكاة. والنتيجة هي منصة يكون فيها الحد الوحيد لعدد المضامير التي يمكن للسيارة التسابق فيها هو سرعة الكمبيوتر الذي يولدها.