Article : Qwen-Drive-1.0 regroupe la perception, la planification et le langage au sein d'un seul modèle, promettant aux ingénieurs de véhicules autonomes une pile technologique plus épurée sans sacrifier la capacité à suivre des instructions vocales ou textuelles. L'architecture unifiée pourrait réduire la complexité du développement tout en permettant aux voitures de répondre à « Pourquoi as-tu tourné ? » ou d'obéir à « Prends la prochaine sortie ».
Pourquoi une base unifiée est importante
La plupart des logiciels de conduite autonome actuels sont un assemblage de modules distincts : un système de vision qui analyse les données de caméra et de lidar, un planificateur qui décide de la trajectoire, et une interface linguistique qui gère les commandes utilisateur ou les explications. Chaque élément s'entraîne de manière isolée, de sorte que la composante linguistique dérive souvent lorsque les parties vision ou planification dominent la fonction de perte. Le résultat est un véhicule capable de naviguer, mais qui échoue à comprendre ou à générer du langage naturel de manière fiable.
Qwen-Drive-1.0 s'attaque à cette fragmentation en entraînant un seul socle sur trois tâches simultanément : la perception 3D, la question-réponse visuelle (VQA) et la planification de mouvement. En mélangeant des jeux de données de conduite avec des corpus vision-langage généraux, le modèle conserve ses connaissances linguistiques tout en apprenant à voir et à agir. Cette « base multimodale » reflète les tendances des grands modèles de langage qui servent de base à de nombreuses applications en aval, mais elle y ajoute le raisonnement spatial nécessaire à une navigation sûre.
Comment le modèle a été évalué
Les chercheurs ont soumis le modèle à des tests en boucle ouverte et en boucle fermée. Dans les scénarios en boucle ouverte, le système traitait des flux de capteurs enregistrés et générait des prédictions sans influencer l'environnement ; lors des essais en boucle fermée, il contrôlait réellement un véhicule simulé. Dans ces différents contextes, les performances de planification de mouvement de Qwen-Drive-1.0 ont égalé celles de modèles spécialisés qui se concentrent uniquement sur la conduite. Parallèlement, sa composante VQA a répondu à des questions sur la scène, démontrant que la capacité linguistique a survécu à l'entraînement conjoint.
Obstacles restants
Le travail actuel s'arrête avant d'atteindre une suite complète de capteurs. Les entrées lidar haute résolution et la prédiction à longue portée — toutes deux critiques pour la conduite sur autoroute — sont absentes de l'ensemble d'entraînement. La perception repose également sur une collection limitée de jeux de données, ce qui soulève des questions sur la généralisation à diverses conditions météorologiques, d'éclairage et de trafic. Tant que le modèle ne fera pas ses preuves sur des flux de capteurs à large bande passante en conditions réelles, les ingénieurs hésiteront à remplacer les pipelines éprouvés.
Ce qui pourrait changer si l'approche passe à l'échelle
Si une base unique peut gérer l'ensemble de la pile perception-planification-langage, les équipes automobiles pourraient abandonner l'orchestration complexe de modules distincts. Cela réduirait l'effort d'intégration, diminuerait la latence liée à la communication entre les modules et simplifierait les mises à jour : une nouvelle capacité linguistique pourrait être ajoutée sans réentraîner le planificateur. Les suites de tests de référence pour la conduite autonome devraient également évoluer, en ajoutant des métriques centrées sur le langage aux côtés des scores traditionnels de sécurité et d'efficacité.
Contrepoint : la spécialisation a encore sa place
Les modèles spécialisés excellent car ils peuvent être affinés sur des données massives et spécifiques au domaine. Un modèle unifié peut avoir du mal à égaler la performance de pointe absolue d'un réseau de perception uniquement lidar ou d'un planificateur entraîné sur des milliards de kilomètres de journaux de conduite. Pour les fonctions critiques pour la sécurité, les régulateurs et les constructeurs pourraient continuer à exiger des composants dédiés et largement validés.
Ce qu'il faut surveiller ensuite
Les prochaines versions devraient révéler si Qwen-Drive-1.0 peut ingérer du lidar haute résolution et effectuer des prévisions à long horizon. Les tests routiers en conditions réelles, en particulier dans des environnements urbains variés, constitueront le test décisif pour cette approche unifiée. Si ces essais réussissent, l'industrie pourrait voir un passage vers des bases multimodales qui traitent le langage comme un élément de premier plan dans les véhicules autonomes.