Designing Versatile Samples for Learned Trajectory Scoring

تواجه المركبات ذاتية القيادة تحديًا جوهريًا يتجاوز مجرد رؤية الطريق. فبينما حاولت الأنظمة المبكرة حساب مسار واحد مثالي للأمام، فإن القيادة في العالم الحقيقي نادرًا ما تكون بهذه البساطة. فعلى سبيل المثال، يجب على السيارة التي تقترب من تقاطع أن توازن بين احتمالات متعددة: الانعطاف يسارًا، أو السير مستقيمة، أو ربما الانتظار لمشاة. هذا اليقين، المعروف باسم "تعدد الأنماط" (multimodality)، يعني أن نظام القيادة الآمن لا يمكنه إخراج إجابة واحدة فقط؛ بل يجب عليه توليد مجموعة صغيرة من المسارات الممكنة ثم اختيار الأفضل من بينها. عملية الاختيار هذه بالغة الأهمية؛ فإذا اختار النظام مسارًا يبدو آمنًا ولكنه في الواقع قريب جدًا من الرصيف أو من سيارة أمامية، فقد تكون النتيجة مخالفة مرورية أو تصادمًا. إن القدرة على التمييز بين حادث وشيك وبين كارثة، والتي غالبًا ما تفصل بينهما سنتيمترات معدودة، هي الفرق بين رحلة يومية سلسة وفشل خطير.

لقد طور باحثون في جامعة بوردو ومركز بوش للذكاء الاصطناعي طريقة جديدة لتعليم الحواسيب كيفية اتخاذ هذه الخيارات الحاسمة. يركز عملهم على "المُقيّم" (scorer)، وهو الجزء من البرمجيات المسؤول عن ترتيب قائمة المسارات المرشحة واختيار الفائز. وقد اكتشفوا أن الطريقة القياسية لتدريب هذه المُقيّمات كانت تتركها غير مستعدة للمواقف الأكثر صعوبة. ومن خلال إنشاء مجموعة بيانات تدريبية متخصصة تدفع المركبات عمدًا إلى حافة الأمان، تمكنوا من تحسين أداء هذه الأنظمة بشكل كبير في سيناريوهات القيادة المعقدة.

يكمن جوهر المشكلة في كيفية تعليم هذه الأنظمة حاليًا. تعمل معظم سياسات القيادة الذاتية في مرحلتين: أولًا، يقوم "المخطط" (planner) بالنظر إلى الطريق ويولد مجموعة من المسارات المحتملة، عادة ما تكون حوالي عشرين مسارًا، وهي الخيارات التي قد تتخذها السيارة. ثانيًا، يقوم "المُقيّم" بمراجعة هذه القائمة واختيار المسار الوحيد الأفضل للتنفيذ. وجد الباحثون أن المخططات جيدة جدًا في تجنب الاصطدامات الواضحة، لذا فإن قوائم الخيارات التي تقدمها تميل إلى التجمع حول القيادة الآمنة والمريحة، ونادرًا ما تتضمن مسارات قريبة بشكل خطر من حافة الطريق أو خلف سيارة أخرى مباشرة. وهذا يخلق "نقطة عمياء" للمُقيّم؛ فبسبب افتقار بيانات التدريب لأمثلة على هذه السيناريوهات الخطرة والمتطرفة، لا يتعلم المُقيّم أبدًا كيف يميز بين مسار يقترب من المخالفة ومسار ينتهك القاعدة بالفعل. يشبه الأمر تعليم طالب الحكم على درجة حرارة الماء من خلال عرض عينات فاترة له فقط؛ فلن يتعلم أبدًا التمييز بين الساخن والبارد إذا لم يشعر بأي منهما في درجات قصوى.

ولإصلاح ذلك، صمم الفريق طريقة لإنشاء "الحالات الحدية" (edge cases) المفقودة اصطناعيًا. بدأوا بالمسار الفعلي الذي اتخذه سائق بشري في مشهد مسجل، ثم قاموا بتحريكه بشكل منهجي في اتجاهين محددين. في الاتجاه الأول، قاموا بإزاحة المسار جانبًا، مما جعله يقترب أكثر فأكثر من حافة الطريق القابل للقيادة حتى تجاوز الحدود. وفي الاتجاه الثاني، قاموا بتحريك السيارة للأمام على طول مسارها، مما جعلها تقترب أكثر فأكثر من المركبة التي أمامها حتى تصطدم بها. ومن خلال القيام بذلك عبر خطوات صغيرة ومتدرجة، أنشأوا "سلمًا" من السيناريوهات يتراوح من حالات الاقتراب الخطير من الحادث إلى المخالفات الصريحة. ثم تم تغذية هذه المسارات الاصطناعية في برنامج محاكاة لمعرفة كيف ستحكم قواعد الطريق عليها بدقة. أنتجت هذه العملية مجموعة غنية من الأمثلة الإيجابية والسلبية التي لم يكن المخطط الأصلي لينتجها بمفرده.

قام الباحثون بربط بيانات التدريب الجديدة هذه بنظام تقييم حديث يعتمد على نوع من الشبكات العصبية يسمى "المحول" (transformer)، وهو متميز في فهم التسلسلات والعلاقات. واختبروا هذا الإعداد باستخدام نظامي تخطيط موجودين مسبقًا تم تركهما دون تغيير تمامًا. استخدم أحد الأنظمة الكاميرات وأجهزة المسح بالليزر معًا، بينما اعتمد الآخر على الكاميرات فقط. وفي كلتا الحالتين، تم تدريب المُقيّم بشكل منفصل على مجموعة البيانات الجديدة المعززة بينما ظل المخطط ثابتًا دون تغيير. كانت النتائج مذهلة؛ فعند اختبار النظام على مقياس مرجعي واسع من مشاهد القيادة الواقعية، اختار المُقيّم الجديد دائمًا مسارات أكثر أمانًا. ففي النظام الذي يعتمد على الكاميرات فقط، تحسن إجمالي درجة الأداء من 89.5 إلى 90.4. وفي النظام الذي يستخدم الكاميرات والليزر معًا، ارتفعت من 88.3 إلى 90.1.

لم يكن التحسن موحدًا عبر جميع جوانب القيادة، مما كشف بالضبط ما حققته بيانات التدريب الجديدة. أصبح النظام أفضل بكثير في تجنب الاصطدامات والبقاء ضمن المنطقة القابلة للقيادة، وهي أهم عوامل السلامة. في الواقع، وجد الباحثون أن المكاسب تركزت بالكامل تقريبًا في مقاييس السلامة هذه. أصبح النظام أقل عدوانية في التقدم والحفاظ على المسار، وهو مقايض مقبول قبله نظام التقييم لضمان السلامة. يشير هذا إلى أن بيانات التدريب الجديدة نجحت في تعليم المُقيّم إعطاء الأولوية لتجنب انتهاكات القواعد على تعظيم السرعة أو الراحة عندما يتعارضان.

ولإثبات أن التحسن جاء من التصميم المحدد للبيانات الجديدة وليس مجرد امتلاك المزيد من البيانات، قارن الباحثون طريقتهم بنسخة استخدمت مسارات تم إنشاؤها عشوائيًا. لم توفر البيانات العشوائية أي فائدة تذكر، مما أكد أن البناء الدقيق لمجموعة التدريب هو المفتاح. إن التصميم المحدد المتمثل في دفع السيارة نحو حافة الطريق وإلى السيارة الأمامية هو ما كان مؤثرًا. وتوضح الدراسة أن جودة بيانات التدريب لا تقل أهمية عن بنية الشبكة العصبية نفسها. فمن خلال بناء مجموعة بيانات تغطي حدود القرار حيث تقع الحوادث، أظهر الباحثون أنه يمكن دمج مخطط ثابت مع مُقيّم أكثر ذكاءً دون الحاجة إلى إعادة تدريب النظام بأكمله. يقدم هذا النهج مسارًا عمليًا وفعالًا نحو قيادة أكثر أمانًا للسيارات ذاتية القيادة، مما يثبت أن أفضل طريقة لتحسين حكم الآلة هي إظهار مكان الخط الفاصل لها بدقة.