Stanford araştırmacıları, otonom araçlar ve robotlar için kritik olan hareket tahmini probleminde çığır açan bir çözüm geliştirdi. FlowS adlı yeni sistem, gerçek dünya uygulamaları için gerekli üç temel gereksinimi aynı anda karşılamayı başarıyor: yüksek doğruluk, çoklu senaryo öngörüsü ve anlık yanıt verme.
Mevcut teknolojiler ciddi bir ikilemle karşı karşıya. Difüzyon modelleri son derece doğru ve çeşitli tahminler üretebiliyor ancak onlarca hatta yüzlerce işlem adımı gerektirdiği için otonom sistemlerde kullanılamayacak kadar yavaş. Gerçek zamanlı uygulamalarda milisaniyeler kritik önem taşıyor.
Araştırmacılar, 'yerel transport koşullandırması' adını verdikleri yenilikçi bir strateji geliştirdi. Bu yaklaşımın temel mantığı şöyle: Bir modelin hem doğru davranış modunu keşfetmesi hem de tek adımda uzun bir mesafe kat etmesi büyük ayrıklaştırma hatalarına yol açıyor. Bunun yerine, temel dağılımı olası geleceklere yakın konumlandırarak problem kısa menzilli bir iyileştirme sürecine dönüştürülüyor.
FlowS sistemi iki ana mekanizma kullanıyor. İlki, sahne koşullarına göre çalışan ve kalibre edilmiş çapa yörüngeleri üreten öğrenilmiş bir önsel sistem. Bu yaklaşım, tek bir Euler adımının yeterli olduğu rejimde çalışmayı mümkün kılıyor ve böylece gerçek zamanlı performans elde ediliyor.