حركة المرور الكثيفة ليست مجرد تنقل للسيارات، بل هي حوار ضمني مستمر. السائق يقرأ نوايا من حوله من خلال الإزاحات الطفيفة لهيكل السيارة، والتسارعات، والتوقفات. الطيار الآلي يجد صعوبة أكبر في هذا الحوار: الشبكات العصبية التقليدية تتنبأ جيدًا بالمسارات الفردية، لكنها تفسر بشكل سيء لماذا تم اختيار هذا السلوك تحديدًا. تحاول طريقة MPCFormer الجمع بين التنبؤ والسلامة، بحيث لا تكتفي السيارة بتخمين المسار فحسب، بل تفهم أيضًا منطق التفاعلات الاجتماعية على الطريق.
لماذا لا تكفي النماذج التقليدية في التدفق الكثيف
عندما تسير السيارات متلاصقة وتغير مسارها باستمرار، يعتمد سلوك أحد المشاركين بشكل مباشر على تصرفات الباقين. الخطأ في تقدير هذا التفاعل يؤدي إلى نقيضين: إما أن يتصرف الطيار الآلي بحذر مفرط ويعيق التدفق، أو يحاول تنفيذ مناورة في وقت غير مناسب.
المخططون القابلون للتعلم بحتة يستطيعون محاكاة أسلوب القيادة من البيانات، لكن منطقهم الداخلي غالبًا ما يبقى «صندوقًا أسود». في المواقف العادية قد يكون هذا مقبولًا، أما في حركة المرور الكثيفة عند مخرج الطريق السريع، فإن ثمن القرار غير المتوقع يكون باهظًا. طرق التحكم التقليدية، على العكس، تفهم فيزياء الحركة جيدًا، لكنها لا تراعي دائمًا أن السائقين الآخرين لديهم أيضًا أهداف، ويتفاعلون ويتنازلون.
حل وسط بين الفيزياء والبيانات
يقترح مؤلفو النهج عدم الاختيار بين النمذجة الفيزيائية والتعلم الآلي، بل دمجهما معًا. في قلب طريقة MPCFormer توجد ديناميكية مترابطة للتفاعلات الاجتماعية: لا يتم وصف حالات السيارات بشكل منفصل، بل كنظام موحد، حيث تغير تصرفات أحد المشاركين الظروف لجميع الباقين.
تُبنى الديناميكية في فضاء حالات منفصل، وتُدمج الأولويات الفيزيائية في النموذج. بفضل هذا، تبقى التمثيلات الوسيطة قابلة للتفسير: يمكن للمتخصص تتبع القيود التي بنى عليها النظام قراره. معاملات الديناميكية لا تُعين يدويًا — بل تُتعلم بواسطة بنية Transformer encoder-decoder من تسجيلات القيادة الطبيعية.
وفقًا للباحثين، هذا هو النهج الأول الذي يصمم صراحةً الديناميكية المشتركة لعدة مركبات في وقت واحد، بدلًا من الاكتفاء بالتنبؤات المستقلة.
لماذا MPC تحديدًا
الديناميكية المتعلمة تمنح المخطط القدرة على توليد سيناريوهات سلوكية متنوعة تشبه السلوك البشري: يمكن للطيار الآلي أن يتصرف بثقة أكبر أو بتنازل أكبر حسب الموقف. لكن الشبكة العصبية وحدها لا تضمن السلامة.
هنا يأتي دور التحكم التنبؤي بالنموذج — MPC. فهو يفحص المرشحين المولّدين للتأكد من مطابقتهم للقيود ويرفض الخيارات الخطرة قبل وصولها إلى مرحلة التنفيذ. هذا يقلل من المخاطر المميزة للطرق التي تعتمد كليًا على استنتاج الشبكة العصبية.
ماذا أظهرت الاختبارات
قيّم المطورون MPCFormer على مجموعة البيانات المفتوحة NGSIM، التي تحتوي على تسجيلات لحركة مرور حقيقية على الطرق السريعة. مع أفق تنبؤ يبلغ 5 ثوانٍ، بلغ متوسط خطأ التنبؤ بالمسار 0.86 متر — وهي أفضل نتيجة بين الأساليب الحديثة المدروسة.
بشكل منفصل، تم اختبار سيناريوهات مغلقة ذات تفاعلات مكثفة: كان على السيارة تنفيذ عدة تغييرات متتالية للمسار لتتمكن من الخروج إلى المنحدر الجانبي. هنا أيضًا أظهر النموذج الهجين تفوقًا ملحوظًا على المخطط القائم على التعلم المعزز:
- 94.67% — نسبة المناورات المنفذة بنجاح؛
- +15.75% — زيادة في كفاءة القيادة؛
- 0.5% — معدل الاصطدامات مقابل 21.25% لدى مخطط التعلم المعزز الأساسي.
انخفاض حالات الطوارئ بنحو 40 مرة — هو الحجة الرئيسية على أن القيود الفيزيائية القابلة للتفسير، مقترنة بالنماذج الاجتماعية المتعلمة، تجعل الطيار الآلي أكثر أمانًا وسلوكه أقرب إلى تصرفات السائق المتمرس.
