تحول القيادة الآلية: دمج الذكاء الاصطناعي لتحسين الأداء في تقاطعات المركبات المتعددة

في إطار قيادة المركبات بشكل آلي، تظهر التحديات بوضوح عند التقاطعات غير المراقبة، حيث تتطلب التنقل بين المركبات توازناً دقيقاً بين الأمان والكفاءة. قدمت دراسة حديثة حلاً مبتكراً عبر دمج التحكم التنبؤي النموذجي (Model Predictive Control) مع التعلم المعزز العميق (Deep Reinforcement Learning) لتحسين أداء القيادة في سيناريوهات متعددة الوكلاء.

تتضمن هذه الطريقة استخدام استراتيجيات تتعامل مع القيود بشكل هيكلي، وبالتالي توفر تحكمًا أكثر دقة. بينما يمكن للتعلم المعزز العميق تعلم سلوكيات تكيفية من التجربة، كانت تعاني غالبًا من مشكلات تتعلق بضمان الأمان وقدرتها على التعميم في البيئات الجديدة.

من خلال التجارب، أظهر النظام المدمج (MPC-RL) أداءً متفوقًا مقارنةً بأساليب MPC المستقلة أو التعلم المعزز المباشر. حيث تم تقليل معدل الاصطدام بنسبة 21% وزيادة نسبة النجاح بمقدار 6.5% مقارنة بالطرق التقليدية.

كما تم تقييم القدرة على الانتقال الفوري (zero-shot transfer) إلى سيناريو إدماج في الطريق السريع دون إعادة التدريب، حيث أظهرت الطرق المعتمدة على MPC انتقالاً أفضل بكثير من أسلوب التعلم المعزز التقليدي، مما يبرز دور قاعدة MPC في تعزيز القوة مقابل تغير السيناريوهات.

تظهر النتائج أيضًا استقراراً أسرع في فقدان التعليمات خلال التدريب، مما يدل على تقليل العبء التعليمي بشكل ملحوظ. تساهم هذه النتائج في تحسين التوازن بين الأداء الأمني والكفاءة في تقاطعات المركبات المتعددة، بينما توفر مكونة MPC أساسًا قويًا لتعميم الأداء عبر بيئات القيادة المختلفة.

الأكواد المستخدمة في هذه الدراسة متاحة بشكل مفتوح، مما يسهل على الباحثين والمطورين الاستفادة منها في مشاريعهم المستقبلية.