शोधकर्ता Controllable Neural Variational Agents (CNeVA) पेश करते हैं, एक फ्रेमवर्क जो डिस्काउंटेड रिटर्न्स से प्रति-एजेंट गॉसियन व्यवहार लैटेंट्स सीखता है ताकि व्याख्या योग्य अक्षों के अनुदिश सिमुलेटेड एजेंट्स को स्टीयर किया जा सके। सिस्टम एक रेक्टिफाइड-फ्लो ट्रैजेक्टरी जनरेटर को कंडीशन करता है और हार्ड थ्रेशोल्ड विफल रहने वाले स्थानों पर ग्रेडिएंट संकेतों को बनाए रखने के लिए सॉफ्ट एलिजिबिलिटी गेट्स का उपयोग करता है।
- CNeVA Waymo Open Motion Dataset पर बंद-रूप कंजुगेट वेरिएशनल अपडेट्स के माध्यम से व्यवहार लैटेंट्स को इनफर करता है।
- सॉफ्ट एलिजिबिलिटी गेट्स थ्रेशोल्ड के निकट एजेंट्स के लिए ग्रेडिएंट फ्लो बनाए रखने के लिए बाइनरी थ्रेशोल्ड को एक्सपोनेंशियल डिके से बदल देते हैं।
- मॉडल प्रतिस्पर्धी यथार्थता प्राप्त करता है जबकि उच्च-रैंक वाले इमीटेशन मॉड्स द्वारा अनुपलब्ध प्रति-चैनल नियंत्रण प्रदान करता है।
- रिवर्ड-हैकिंग कन्फाउंड्स से बचने के लिए स्टीयरिंग मेट्रिक्स का मूल्यांकन भौतिक-यथार्थता गार्डरेल्स के साथ किया जाना चाहिए।
यह दृष्टिकोण इंजीनियरों को चरों को अलग करने और वास्तविक दुनिया के जोखिम के बिना स्वचालित प्रणालियों का परीक्षण करने के लिए विशिष्ट एज केस को पुन: उत्पन्न करने की अनुमति देता है।