تحويل الصورة من الكاميرا مباشرة إلى مسار — هذا هو الوعد الرئيسي لمخططي القيادة الشاملين. ومع ذلك، خلف هذه البساطة الظاهرية غالبًا ما يختبئ مفاجأة غير سارة: النموذج الذي تعلّم سلوك السائق من التسجيلات قد يجد طريقة أسهل "لتخمين" الإجراء الصحيح بدلاً من التحليل الصادق للحالة المرورية. فبدلاً من العلاقات السببية، غالبًا ما يستخدم المصادفات الإحصائية الموجودة في بيانات التدريب.
لماذا يتمسك المخطط الشامل بالتفاصيل العشوائية
يتم تدريب المخططين الشاملين وفق مبدأ المحاكاة: حيث تُعرض عليهم أمثلة على تصرفات الخبير ويُتوقع منهم إعادة إنتاج نفس القرارات في ظروف مماثلة. يعمل هذا النهج طالما كانت البيانات متنوعة بما فيه الكفاية. المشكلة أن بجانب مسار الخبير توجد دائمًا تقريبًا عناصر مرتبطة بالمناورة بشكل غير مباشر فقط. قد تكون لافتة على جانب الطريق، أو واجهة مبنى، أو حاجزًا مميزًا، أو حتى عمودًا عاديًا.
إذا ظهر مثل هذا العنصر بانتظام في مجموعة التدريب في اللحظات التي يقوم فيها السائق، على سبيل المثال، بالفرملة أو تغيير المسار، فإن المخطط يتذكر هذا الارتباط. من الناحية الرسمية، يجد النموذج نمطًا إحصائيًا حيث كان متوقعًا نمطًا سببيًا: يبدأ في اعتبار العنصر سببًا للإجراء، بينما في الواقع هو مجرد مرافق له. في السيناريوهات العادية لا يكون هذا ملحوظًا، لأن الارتباط يتطابق مع السلوك الفعلي. ولكن بمجرد أن يصبح الموقف المروري نادرًا — "طويل الذيل" — تظهر العلاقة الزائفة نفسها: قد يفرمل النموذج حيث يجب التحرك، أو العكس.
هذا الالتباس السببي هادئ وخبيث. فهو لا يظهر كخطأ واضح في الاختبارات القياسية، بل يقلل من المتانة تحديدًا في المواقف غير النمطية التي صُممت أنظمة مساعدة السائق الحديثة من أجلها. لذلك، عادةً لا يكفي مجرد إضافة المزيد من الأمثلة إلى مجموعة البيانات: سيظل النموذج يبحث عن أي ارتباطات إذا كانت تساعد في تقليل الخطأ على مجموعة التدريب.
لماذا لا تُظهر مقاييس الحلقة المفتوحة السبب الحقيقي
كيف يمكن معرفة ما الذي ينظر إليه المخطط بالضبط عند اتخاذ القرار؟ الطريقة الأبسط هي تشغيله على سيناريوهات مسجلة وقياس مقاييس الحلقة المفتوحة الكلاسيكية: الانحراف المعياري للمسار (L2) ومعدل الاصطدامات. هذه هي المعايير التي تُستخدم غالبًا في تقييم القيادة الذاتية. ولكن، كما تظهر الأبحاث، فإن هذه المقاييس تتحدد بالكامل تقريبًا بالحالة الحالية للسيارة نفسها: موقعها وسرعتها وتسارعها. إنها لا تجيب على سؤال أي عناصر المشهد أثرت على المناورة.
تخيل مخططين: الأول يتفادى المشاة بحذر، والثاني يفرمل بسبب بقعة ساطعة على الأسفلت تظهر غالبًا بالصدفة بجانب المشاة في البيانات. في مقاييس الحلقة المفتوحة، سيُظهر كلاهما خطأ L2 منخفضًا وصفر حوادث — لأن المسارات الناتجة متشابهة. لكن في الحالة الثانية، النظام عديم الفائدة في العالم الحقيقي: بمجرد مواجهة مشهد بدون الإشارة "الزائفة"، يفقد المخطط اتجاهه. المقاييس العادية لا ترى هذا، وبالتالي لا يمكنها التحذير من هشاشة السلوك.
تدقيق سببي دون إعادة تدريب
لكشف العلاقة الزائفة، نحتاج إلى تدخلات سببية: يجب التدخل في المشهد، وتغيير عناصره الفردية، وملاحظة كيف يتغير القرار. المنطق بسيط: إذا غيّر المخطط مساره بشكل جذري بعد استبدال عنصر خلفي غير مهم، فهذا يعني أنه كان يعتمد على هذا العنصر تحديدًا. لكن الطرق الكلاسيكية للتحليل السببي تتطلب إعادة تدريب النموذج: لكل تدخل، يجب تحديث أوزان الشبكة العصبية الكبيرة من جديد. بالنسبة لمخطط تم نشره بالفعل، هذا مستحيل — لا أحد في التشغيل الفعلي لديه موارد إضافية لإعادة التدريب بعد كل اختبار.
قرر مؤلفو الاقتراح المخفي خلف الاختصار CADET اتباع مسار مختلف. إطار عملهم يعمل بدون تدريب (training-free) ويمكنه فحص المخططين الشاملين المدربين مسبقًا دون أدنى تحديث للمعلمات. بدلاً من تغيير الأوزان، يستخدم CADET تدخلات مدروسة في المشهد نفسه ويتتبع كيفية استجابة مخرجات المخطط.
يفتح هذا النهج ثلاث إمكانيات في آن واحد:
- التدقيق — تحديد العناصر المحددة التي يعتمد عليها المخطط بشكل غير صحيح؛
- المعايرة — مقارنة المخططين المختلفين بدرجة "تشويش" قراراتهم؛
- التصحيح — إضعاف تأثير الميزات الزائفة على المخرجات، مرة أخرى دون تدريب إضافي.
والنتيجة هي أداة تشخيص عالمية يمكن تطبيقها على أي نموذج جاهز. بدلاً من اختبار النظام فقط على إحصائيات الحوادث، يحصل المطور على آلية تكشف سبب الحادث المحتمل قبل حدوثه. هذا ذو قيمة خاصة للسيناريوهات طويلة الذيل، حيث يكون جمع مجموعة كاملة من الأمثلة الواقعية شبه مستحيل.
ما الذي يجعل هذا النهج مفيدًا عمليًا
للمهندسين الذين يدمجون مخططًا شاملاً في سيارة، ليست الدقة على مسارات الاختبار هي المهمة فحسب، بل أيضًا قابلية توقع السلوك. يتيح CADET الإجابة على سؤال "لماذا اختار النظام هذا المسار" — والقيام بذلك قبل النشر في النقل الفعلي. لا حاجة للانتظار حتى يظهر موقف نادر على الطريق؛ يكفي إجراء سلسلة من التدخلات المستهدفة في البيئة الافتراضية ورؤية نقاط الضعف.
هذا التدقيق يغير أيضًا نهج التطوير. إذا كان لديك نموذجان مرشحان بمقاييس حلقة مفتوحة متشابهة تقريبًا، كان الاختيار سابقًا شبه عشوائي. الآن يمكنك معرفة أي النموذجين يلتفت إلى الميزات العشوائية بشكل أقل، وتفضيله. حتى إذا كان النموذج الثاني أكثر دقة رسميًا في الاختبارات القياسية، فإن النظام "الأنقى" سببيًا أكثر عرضة لتحمل الاتصال بالعالم الحقيقي وتنوعه اللامتناهي.
من اللافت أن العمل الذي ظهر في عام 2026 يقدم بالفعل مجموعة أدوات مكتملة، ولا يكتفي بوصف المشكلة. المخططون الشاملون هم أحد أكثر الاتجاهات الواعدة في القيادة الذاتية، لكن قابلية تطبيقهم في الصناعة تعتمد مباشرة على قدرتنا على فهم المنطق الداخلي لقراراتهم. بدون تدقيق سببي، تظل الدقة العالية في السيناريوهات القياسية مجرد مصادفة موفقة، وليست ضمانًا للسلامة.
