محققان در مقاله جدیدی مدل جذابی به نام «SevDiff» معرفی کردهاند که میتواند مسیر حرکت خودروها در شرایط بحرانی را با دقت بالا شبیهسازی کند. یکی از چالشهای بزرگ در آموزش سیستمهای کمکراننده (ADAS)، کمبود دادههای مربوط به موقعیتهای خطرناک و تصادفات است.
مدل SevDiff با استفاده از «انتشار شرطی» (Severity-Conditioned Diffusion)، به محققان اجازه میدهد پارامتر «زمان تا تصادف» (TTC) را به عنوان ورودی به مدل بدهند و مسیرهایی واقعگرایانه دریافت کنند که دقیقاً با میزان سختی مورد نظر آنها مطابقت دارد.
این نوآوری گام مهمی در جهت بهبود ایمنی خودروهای خودران است، چرا که حالا میتوان بدون نیاز به قرار دادن خودروها در معرض خطر واقعی، الگوریتمهای رانندگی را در سناریوهای دشوار و نادر آزمایش کرد. 🚗🤖
منبع: arXiv Machine Learning