📄 معروضة نسخة «بسيط» — «متقدم» غير جاهزة بعد. أضفه إلى المفضّلة للمساعدة في تسريعها. اطلب التحليل الكامل

عندما تتعلم الطائرة بدون طيار من طيار خبير، فإنها لا تحفظ المناورات فحسب، بل تحفظ ممرات آمنة كاملة. لكن في الطيران الحقيقي، هناك دائمًا عوامل لم تكن موجودة أثناء التدريب: رياح غير متوقعة، اهتزاز الكاميرا، حتى حركة الطائرة نفسها قد تزعزع استقرار الهواء. التعلم التقليدي بالمحاكاة — تقليد الإنسان المدرّب — يفشل هنا: في الظروف المتغيرة، يؤدي النسخ إلى حادث. هكذا يظهر انزياح التوزيع للبيانات: ما تعلمته الطائرة في المحاكاة قد يكون خاطئًا في الواقع.

الخوارزمية الجديدة تحل هذه المشكلة برسم 'ثقوب سوداء' غير مرئية حول جميع المناطق غير المرغوب فيها. رياضيًا، توصف هذه المناطق بحيث كلما اقتربت الطائرة من الخطر، زادت قوة دفع النظام لها بعيدًا — كالجاذبية لكنها تعمل بالعكس. بفضل هذا، تتجنب الطائرة المناطق المحظورة بسلاسة، حتى لو 'كذبت' المستشعرات أو انقطع الاتصال.

أظهرت الاختبارات أن الجهاز لم ينتهك حدود الأمان أبدًا، متعاملًا مع الرياح الجانبية القوية والأعطال المفاجئة. هذا الحذر يفتح الطريق للتوصيل في المدن في أي طقس، أو لمهمات الإنقاذ حيث الخطأ قد يكلف حياة.

الملخص الأصلي

كما كتبه المؤلفون، بالإنجليزية arXiv:2607.13436

Imitation learning (IL) has achieved remarkable success in complex decision-making tasks. However, its performance is highly sensitive to distribution shifts, which can pose significant safety risks. We propose a distributionally robust and safe IL framework that explicitly addresses both policy-induced and uncertainty-induced distribution shifts. Our approach develops a unified framework leveraging Taylor Series Imitation Learning (TaSIL) to mitigate policy-induced shifts and distributionally robust adaptive control to handle uncertainty-induced shifts. This architecture enables the formulation of an IL problem that optimizes performance under distributional uncertainty while systematically accounting for safety constraints. We demonstrate the effectiveness of the proposed approach on an unmanned aerial vehicle (UAV) case study where the UAV performs a task in an uncertain environment while avoiding unsafe regions.