پیشبینی دقیق رفتار راننده انسان همواره در تقابل میان مدلهای صلب ریاضی و شبکههای عصبی مبهم بوده است. اگر به دنبال سیستمی هستید که نه تنها «چه اتفاقی میافتد» بلکه «چرا میافتد» را با فرمولهای ریاضی توضیح دهد، باید نگاهی به NOVA بیندازید.
طبق گزارش منتشرشده در arxiv.org در ۱۰ ژوئن ۲۰۲۶، پژوهشگران چارچوبی به نام NOVA معرفی کردهاند که به دقت متوازن (Balanced Accuracy) ۶۷.۴ درصدی در مدلسازی تغییر خط دست یافته است. این رقم، جهشی ۲۹.۸ واحدصدی نسبت به مدلهای پایه (Baselines) پیشین محسوب میشود.
همانطور که در تحلیلهای قبلی ما دربارهی مدلهای استدلالی اشاره کردیم، شفافیت در تصمیمگیری برای سامانههای ایمنبحرانی حیاتی است. مدلهای رانندگی فعلی یا بر پیشفرضهای دستی و صلب تکیه میکنند یا از شبکههای عصبی استفاده میکنند که در محیطهای حساس، تحلیل رفتار آنها برای مهندسان غیرممکن است. NOVA با بهکارگیری رگرسیون نمادین (Symbolic Regression)، به دنبال سادهترین ساختارهای جبری میگردد که با دادههای واقعی سازگار باشند.
بر اساس مستندات این پژوهش، این چارچوب که توسط یک موتور جستجوی قطعی مبتنی بر زبان Rust قدرت گرفته، بیش از ۴,۷۶۵,۷۸۸ مشاهدهی رانندگی از مجموعهدادههای NGSIM I-80 و US-101 را پردازش کرده است. دستاوردهای فنی این مدل عبارتند از:
- شناسایی یک مدل شتاب دو-جملهای فشرده با خطای میانگین مربعات (RMSE) برابر با ۱.۳۷۶ متر بر مجذور ثانیه.
- برتری در شاخص RMSE نسبت به مدل SR-LLM (منتشر شده در PNAS ۲۰۲۵) به میزان ۰.۱۳۵ متر بر مجذور ثانیه.
- قابلیت انتقال صفر-شات (Zero-shot transferability) بین بزرگراهها با کاهش کمتر از ۳ درصد در ضریب تعیین ($R^2$).
- دستهبندی دقیق تغییر خط برای ۵۰۲ رانندهی دیدهنشده.
این تحول به سوی کشف نمادین خودکار نشان میدهد که رانندگی انسان بیش از آنکه مجموعهای از عادتهای محیطی باشد، از یک منطق روانفیزیکی غیرخطی و سازگار پیروی میکند. برای جامعهی فنی، این نتیجه تایید میکند که رگرسیون نمادین — در صورت مقیاسپذیری با زبانهای کارآمد مثل Rust — میتواند در تحلیل مسیرهای پرتراکم، از جستوجوهای هدایتشده توسط مدلهای زبانی بزرگ (LLM) پیشی بگیرد.
گام بعدی شما
- بررسی ادغام عملگرهای نمادین کشفشده در هستههای ایمنی خودروهای خودران سطح ۴ (Level 4) برای جایگزینی با روشهای اکتشافی.
- مطالعهی مستندات موتور جستجوی Rust در NOVA برای پیادهسازی رگرسیون نمادین در دادههای سری زمانی.
- تحلیل اثر حذف «جعبهسیاه» در پیشبینی رفتار بر استانداردهای جدید گواهینامه ایمنی خودروهای خودران.
اما اثر این رویکرد بر بهینهسازی مصرف حافظه در پردازندههای لبهای هنوز ناشناخته است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو