ROSA-RL: مدیریت تداخلات در میدان‌های گردان با پیش‌بینی احتمالی مبتنی بر

اگر هنوز بر این باورید که خودروهای خودران تنها با افزایش قدرت پردازش به رانندگی ایمن می‌رسند، باید نگاهی به چالش «عدم‌قطعیت» بیندازید. تصور کنید خودروی خودران شما در یک میدان گردان متوقف شده است، نه به دلیل ترافیک، بلکه چون نمی‌تواند تصمیم بگیرد آیا راننده مقابل قصد ورود دارد یا خیر؛ این دقیقاً همان نقطه‌ای است که سیستم‌های فعلی شکست می‌خورند.

میدان‌های گردان به‌دلیل پیچیدگی بالای تعاملات و ناشناخته بودن نیات رانندگان، یکی از دشوارترین محیط‌ها برای رانندگی خودکار هستند. خودروها در مواجهه با مناطق تداخل (Conflict Zones) — نقاطی که ورود به آن‌ها یا مسدود است یا آزاد — یا بیش‌ازحد محتاط می‌شوند و جریان ترافیک را می‌گیرند یا رفتاری مخاطره‌آمیز از خود نشان می‌دهند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی چالش‌های تعامل عامل‌های هوش مصنوعی در محیط‌های پویا اشاره کردیم، مدیریت تضاد در تصمیم‌گیری، کلید عبور از شبیه‌ساز به دنیای واقعی است. بر اساس مستندات پژوهشی که در ۱۵ ژوئن ۲۰۲۶ در arxiv.org منتشر شد، سیستم ROSA-RL با بهره‌گیری از یک مدل ترنسفورمر (Transformer) قادر است اشغال مناطق تداخل را در یک بازه زمانی ۵ ثانیه‌ای پیش‌بینی کند.

این پیش‌بینی احتمالی در یک چارچوب کلاسیک یادگیری تقویتی (Reinforcement Learning) ادغام شده است تا هماهنگی سرعت خودرو بر اساس میزان عدم‌قطعیت صورت گیرد. مشخصات فنی کلیدی این سیستم عبارتند از:

• استفاده از ROSA-RL برای تحلیل تعاملات چند-عاملی و شناسایی شکاف‌های زمانی مناسب برای ورود.
• خروجی‌های احتمالی که عدم‌قطعیت در حرکت و نیت آینده رانندگان انسانی را کدگذاری می‌کنند.
• ارزیابی از طریق شبیه‌سازی‌های مبتنی بر داده‌های واقعی که نتایجی فراتر از مدل‌های پایه (Baselines) نشان داده است.

این تحول نشان می‌دهد که آینده‌ی ناوبری شهری در خودروهای خودران، از منطق‌های قطعی (Deterministic) به سمت ارزیابی ریسک احتمالی حرکت می‌کند. محققان ثابت کردند که پیش‌بینی «عدم‌قطعیتِ نیت» راننده، به اندازه پیش‌بینی «خودِ نیت» اهمیت دارد.

گام بعدی شما

• مهندسان و توسعه‌دهندگان می‌توانند کد منبع این پروژه را برای ارزیابی پیاده‌سازی در مدل‌های خود بررسی کنند.
• دنبال کنید که چگونه این پیش‌بینی‌های احتمالی از محیط شبیه‌سازی به کریدورهای شهری پرترافیک منتقل می‌شوند.

اما چالش سخت‌افزاری اجرای این مدل‌های احتمالی در لبه (Edge)، داستان دیگری دارد — به تحلیل ما درباره‌ی تراشه‌های استنتاجی نسل جدید مراجعه کنید.