GenAD: چگونه می توان به پیش بینی و برنامه ریزی حرکت رانندگی مستقل کارآمد دست یافت؟

پروژه GenAD به طور خلاقانه ای از رمزگذارهای خودکار متغیر برای یادگیری توزیع مسیرهای آینده در فضای پنهان ساختاری برای مدل سازی قبلی مسیر استفاده می کند. علاوه بر این، این پروژه از مدل‌های زمانی مانند واحدهای بازگشتی دروازه‌دار برای گرفتن عامل و حرکت خود در فضای نهفته استفاده می‌کند و در نتیجه مسیرهای آینده کارآمدتری را ایجاد می‌کند. این رویکرد آینده‌نگر GenAD را قادر می‌سازد تا توزیع‌ها را از یک فضای پنهان ساختار یافته شرطی شده در طول استنتاج نمونه‌برداری کند و از مدل زمانی آموخته‌شده برای تولید آینده استفاده کند، و اجرای همزمان پیش‌بینی حرکت و برنامه‌ریزی را ممکن می‌سازد.