One Diffusion Model, Two Roles: Guided Trajectory Planning and Safety-Critical Scenario Generation in Closed-Loop Simulation
تُثبت هذه الورقة أن نموذج انتشار مروري واحد مُدرب مسبقاً يمكنه العمل في آنٍ واحد كمخطط حركة عالي الأداء، باستخدام فك تشفير SSDS جديد وتوجيه DAPSE، وكمولد قابل للتحكم لسيناريوهات واقعية حرجة تتعلق بالسلامة لتقييم متانة المخطط بشكل منهجي في عمليات المحاكاة ذات الحلقة المغلقة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
لا تقود المركبات ذاتية القيادة في فراغ؛ بل هي تتنقل في عالم يعج بالسيارات الأخرى، والمشاة، والخيارات البشرية غير المتوقعة. لكي تتحرك بأمان، يجب على السيارة ذاتية القيادة أن تقوم بشيئين صعبين في آن واحد. أولاً، يجب عليها التنبؤ بما سيفعله الجميع بعد ذلك، مدركةً أن السائق قد يغير مساره فجأة أو أن أحد المشاة قد يخطو من فوق الرصيف. ثانياً، يجب عليها أن تقرر كيفية الاستجابة لتلك التنبؤات، واختيار مسار يتجنب الخطر مع الحفاظ على الراحة والكفاءة. لسنوات، كافح المهندسون لتعليم الحواسيب هذا النوع من التفكير المرن متعدد الطبقات. تعتمد الطرق التقليدية غالباً على قواعد جامدة أو متوسطات بسيطة، وهي تفشل عندما يفرض الطريق مواقف نادرة أو فوضوية أو خطيرة لم يسبق رؤيتها من قبل. التحدي الجوهري يكمن في إنشاء نظام يمكنه تخيل العديد من المستقبلات الممكنة في وقت واحد، ثم يقود نفسه نحو المسار الأكثر أماناً، كل ذلك أثناء اختباره ضد أسوأ السيناريوهات التي قد تقدمها الطبيعة.
لقد تصدى فريق من الباحثين في المعهد الملكي للتكنولوجيا (KTH) وشركة (Zenseact) لهذه المشكلة من خلال تطوير نموذج واحد للذكاء الاصطناعي يلعب دورين متميزين في تطوير السيارات ذاتية القيادة. فبدلاً من بناء أنظمة منفصلة لتخطيط المسار واختبار سلامته، أنشأوا نموذجاً موحداً يعتمد على نوع من التكنولوجيا يُعرف باسم "نموذج الانتشار" (diffusion model). صُممت هذه التكنولوجيا في الأصل لتوليد الصور عن طريق إزالة الضجيج تدريجياً من صورة ثابتة، وقد تم تكييفها لفهم التدفق المعقد ومتعدد الطبقات لحركة المرور. قام الباحثون بتدريب هذا النموذج على آلاف الساعات من بيانات القيادة البشرية الحقيقية، لتعليمه كيفية التنبؤ بكيفية تحرك السيارة والسيارات المجاورة لها معاً بمرور الوقت. ثم أثبتوا أن هذا "العقل" المدرب الواحد يمكن استخدامه بطريقتين متكاملتين: أولاً، كمخطط حركة يوجه السيارة بأمان عبر حركة المرور، وثانياً، كمولد سيناريوهات يخلق مواقف واقعية وخطيرة لاختبار كفاءة ذلك المخطط نفسه.
في دوره الأول، يعمل النموذج كـ "سائق". لقد طور الباحثون قدرة النموذج على فهم الطريق من خلال تغيير كيفية معالجته للمعلومات. فبدلاً من النظر إلى مسار السيارة وحركة المرور المحيطة كتدفقات منفصلة من البيانات يتم دمجها فقط في النهاية، صمموا النظام لدمج هذين التدفقين في مرحلة مبكرة. وهذا يسمح للنموذج برؤية العلاقة بين حركة الجار ومساره المحتمل بوضوح أكبر. وعند اختباره في محاكاة مغلقة الحلقة (closed-loop simulation)، حيث تؤثر قرارات السيارة فوراً على البيئة وتستجيب البيئة بدورها، حقق هذا النموذج المحسن أداءً أفضل بكثير من النسخ السابقة، خاصة في المواقف المعقدة والتفاعلية حيث تتحرك السيارات الأخرى بشكل غير متوقع. ولجعل السيارة أكثر أماناً، أضاف الفريق طريقة لتوجيه قرارات النموذج دون الحاجة إلى إعادة تدريبه؛ فمن خلال تطبيق مجموعة بسيطة من القواعد — مثل الحفاظ على سرعة معينة أو البقاء ضمن علامات المسار — يمكن للنظام دفع تنبؤاته نحو نتائج أكثر أماناً في الوقت الفعلي، مما يصحح مساره أثناء توليد المسار.
وفي دوره الثاني، يصبح النموذج نفسه "متحدياً". فقد أعاد الباحثون توظيف الذكاء الاصطناعي ليعمل كخصم، حيث يولد سيناريوهات مرورية مصممة لكشف نقاط الضعف في نظام تخطيط السيارة. ومن خلال تطبيق قواعد توجيه مختلفة على المركبات "العدوة" في المحاكاة، استطاعوا حث النموذج على خلق تفاعلات عالية الخطورة. لقد علموا "الخصم" القيام بمناورات عدوانية، مثل الانحراف أمام السيارة ذاتية القيادة في اللحظة الأخيرة، أو الكبح المفاجئ وغير المتوقع. والأهم من ذلك، أن هذه السلوكيات الخطيرة لم تكن نصوصاً مبرمجة مسبقاً؛ بل ظهرت بشكل طبيعي من فهم النموذج لحركة المرور، مسترشدة فقط برغبة الباحثين في خلق صراع. سمح لهم ذلك بتوليد تسلسلات طويلة وواقعية من الأحداث حيث كان على السيارة ذاتية القيادة التفاعل مع سيارة تحاول بنشاط خلق موقف خطير، بينما تتصرف بقية حركة المرور بشكل طبيعي.
وعندما وضع الباحثون مخططهم الجديد قيد الاختبار ضد هذه السيناريوهات المولدة، اكتشفوا حقيقة كاشفة حول التكنولوجيا الحالية للقيادة الذاتية. فالمخطط الذي قدم أفضل أداء في الظروف العادية والمعيارية، كان هو نفسه الذي عانى أكثر عند مواجهة هذه المواقف العدائية الصعبة. فبينما تعامل مع القيادة اليومية العادية بدرجات عالية، فشل في الاستجابة بسرعة كافية عندما انحرفت سيارة عدوانية أمامه أو كبحت بقوة، معتمداً غالباً على الكبح البسيط بدلاً من اتخاذ إجراءات وقائية لتفادي الخطر. وفي المقابل، أظهر مخطط أقل هيمنة في الاختبارات المعيارية قدرة أكبر على الصمود في هذه الحالات القصوى. تشير الدراسة إلى أن الأداء الجيد في المعايير القياسية لا يضمن أن يكون النظام قوياً بما يكفي للواقع. ومن خلال استخدام نموذج واحد للقيادة وتوليد الاختبارات معاً، خلق الباحثون حلقة مغلقة حيث يتم تحدي النظام باستمرار بواسطة المنطق ذاته الذي يستخدمه للملاحة، مما يكشف عن أوضاع الفشل التي قد تظل مخفية لولا ذلك.
إن هذا العمل يوضح أن الفهم المتعلم الواحد لحركة المرور يمكن أن يعمل كـ "سائق" وكـ "فاحص" صارم في آن واحد. ومن خلال توليد تفاعلات واقعية وحرجة للسلامة مثل تغيير المسارات المفاجئ وأحداث الكبح، استطاع الباحثون إظهار أن المخططات الحالية تعتمد كثيراً على الكبح التفاعلي بدلاً من المناورة الاستباقية. وتشير النتائج إلى أنه بينما يحسن الهيكل الجديد الأداء في حركة المرور المعقدة، فإن السلامة الحقيقية تتطلب الاختبار ضد أنواع التفاعلات النادرة والصعبة التي نادراً ما تلتقطها البيانات القياسية. يوفر هذا النهج مزدوج الاستخدام طريقة قوية لتطوير السيارات ذاتية القيادة، مما يضمن أن الأنظمة التي نبنيها ليست جيدة فقط في اتباع القواعد، بل هي أيضاً قوية بما يكفي للنجاة من المواقف غير المتوقعة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.