سیستم‌های رانندگی خودران به دو مؤلفه کلیدی وابسته‌اند: اطلاعات مسیریابی جهانی و درک صحنه محلی. با این حال، بسیاری از این سیستم‌ها过于 به درک صحنه محلی تکیه می‌زنند و از داده‌های مسیریابی جهانی بهره کافی نمی‌برند.
این ضعف باعث می‌شود خودرو در سناریوهای پیچیده قادر به پیگیری دقیق مسیر نباشد. پژوهشگران برای رفع این محدودیت، چارچوب SNG (راهنمای پیمایش متوالی - Sequential Navigation Guidance) را پیشنهاد کردند. این چارچوب یک نمایش کارآمد از اطلاعات مسیریابی جهانی بر اساس الگوهای واقعی حرکت ارائه می‌دهد.
SNG شامل دو بخش است: مسیرهای پیمایش برای محدود کردن مسیرهای بلندمدت و اطلاعات گام‌به‌گام برای منطق تصمیم‌گیری لحظه‌ای. پژوهشگران مجموعه داده SNG-QA را ساختند. این مجموعه پاسخ‌گویی بصری، برنامه‌ریزی جهانی و محلی را هم‌راستا می‌کند.
همچنین مدل کارآمد SNG-VLA معرفی شد که برنامه‌ریزی محلی و جهانی را ترکیب می‌کند. این مدل بدون نیاز به توابع از دست رفته کمکی از وظایف درک، به دقت بالایی دست یافت.
نتایج نشان داد SNG-VLA قادر است اطلاعات مسیریابی را با دقت مدل‌سازی کند و در عین حال قابلیت‌های درک صحنه را حفظ نماید. این رویکرد امکان استفاده بهتر از داده‌های مسیریابی را فراهم می‌سازد.
گفتگو