Qwen-Drive-1.0 हे परसेप्शन (perception), प्लॅनिंग (planning) आणि लँग्वेज (language) यांना एकाच मॉडेलमध्ये एकत्रित करते, ज्यामुळे स्वायत्त वाहन (autonomous-vehicle) अभियंत्यांना तोंडी किंवा लेखी सूचनांचे पालन करण्याची क्षमता न गमावता एक सुटसुटीत स्टॅक मिळण्याचे आश्वासन मिळते. ही एकत्रित रचना विकासातील गुंतागुंत कमी करू शकते आणि त्याच वेळी कारला “तू वळण का घेतले?” असे विचारल्यावर उत्तर देण्यास किंवा “पुढचा एक्झिट घ्या” यांसारख्या सूचनांचे पालन करण्यास सक्षम ठेवू शकते.
एक एकत्रित पाया (unified foundation) का महत्त्वाचा आहे
आजचे बहुतेक स्वयंचलित ड्रायव्हिंग सॉफ्टवेअर हे वेगवेगळ्या मॉड्यूल्सचा एक संच आहे: कॅमेरा आणि लिडार (lidar) डेटाचे विश्लेषण करणारी एक व्हिजन सिस्टीम, मार्ग (trajectory) ठरवणारा एक प्लॅनर आणि वापरकर्त्याच्या कमांड्स किंवा स्पष्टीकरणे हाताळणारा एक लँग्वेज इंटरफेस. प्रत्येक भाग स्वतंत्रपणे प्रशिक्षित केला जातो, त्यामुळे जेव्हा व्हिजन किंवा प्लॅनिंग भाग प्रबळ होतात, तेव्हा लँग्वेज घटक अनेकदा विचलित होतो. याचा परिणाम असा होतो की वाहन नेव्हिगेट करू शकते परंतु नैसर्गिक भाषा विश्वासार्हपणे समजून घेण्यात किंवा तयार करण्यात अपयशी ठरते.
Qwen-Drive-1.0 एकाच बॅकबोनला (backbone) एकाच वेळी तीन कामांवर प्रशिक्षित करून या विखंडनाचा सामना करते—3-D परसेप्शन, व्हिज्युअल क्वेश्चन आन्सरिंग (VQA) आणि मोशन प्लॅनिंग. ड्रायव्हिंग डेटासेटला सामान्य व्हिजन-लँग्वेज कॉर्पोरासह मिसळून, हे मॉडेल पाहणे आणि कृती करणे शिकत असताना आपले भाषिक ज्ञान टिकवून ठेवते. हा “मल्टीमोडल फाउंडेशन” (multimodal foundation) मोठ्या लँग्वेज मॉडेल्समधील ट्रेंड्सचे प्रतिबिंब आहे जे अनेक डाउनस्ट्रीम ॲप्लिकेशन्ससाठी आधार म्हणून काम करतात, परंतु यामध्ये सुरक्षित नेव्हिगेशनसाठी आवश्यक असलेले 'स्पेशियल रिझनिंग' (spatial reasoning) देखील जोडले गेले आहे.
मॉडेलचे मूल्यांकन कसे केले गेले
संशोधकांनी मॉडेलचे ओपन-लूप (open-loop) आणि क्लोज्ड-लूप (closed-loop) दोन्ही चाचण्यांद्वारे परीक्षण केले. ओपन-लूप परिस्थितीत, सिस्टीमने पर्यावरणावर प्रभाव न पाडता रेकॉर्ड केलेल्या सेन्सर स्ट्रीम्सवर प्रक्रिया केली आणि अंदाज वर्तवले; क्लोज्ड-लूप चाचण्यांमध्ये, तिने प्रत्यक्षात सिम्युलेटेड वाहनावर नियंत्रण ठेवले. या सर्व सेटिंग्जमध्ये, Qwen-Drive-1.0 ची मोशन-प्लॅनिंग कामगिरी केवळ ड्रायव्हिंगवर लक्ष केंद्रित करणाऱ्या स्पेशलिस्ट मॉडेल्सच्या बरोबरीची होती. त्याच वेळी, त्याच्या VQA घटकाने दृश्याबद्दलच्या प्रश्नांची उत्तरे दिली, ज्यावरून असे दिसून येते की संयुक्त प्रशिक्षणादरम्यान भाषेची क्षमता टिकून राहिली आहे.
उर्वरित अडथळे
सध्याचे काम पूर्ण सेन्सर सुईटपर्यंत पोहोचलेले नाही. हाय-रिझोल्यूशन लिडार (lidar) इनपुट आणि लांब पल्ल्याचा अंदाज (long-range prediction)—जे हायवे ड्रायव्हिंगसाठी अत्यंत महत्त्वाचे आहेत—प्रशिक्षण संचामध्ये नाहीत. परसेप्शन देखील मर्यादित डेटासेट संकलनावर अवलंबून आहे, ज्यामुळे विविध हवामान, प्रकाश आणि वाहतूक परिस्थितीमध्ये याचे सामान्यीकरण (generalisation) करण्याबाबत प्रश्न निर्माण होतात. जोपर्यंत मॉडेल वास्तविक जगातील, हाय-बँडविड्थ सेन्सर स्ट्रीम्सवर स्वतःला सिद्ध करत नाही, तोपर्यंत अभियंते सिद्ध झालेल्या पाइपलाईन्स बदलण्यास कचरतील.
जर ही पद्धत मोठ्या प्रमाणावर विस्तारली (scales), तर काय बदलू शकते
जर एकच फाउंडेशन संपूर्ण परसेप्शन-प्लॅनिंग-लँग्वेज स्टॅक हाताळू शकत असेल, तर ऑटोमोटिव्ह टीम्स वेगवेगळ्या मॉड्यूल्सचे गुंतागुंतीचे व्यवस्थापन सोडून देऊ शकतात. यामुळे इंटिग्रेशनचा प्रयत्न कमी होईल, इंटर-मॉड्यूल कम्युनिकेशनमधील लॅटन्सी (latency) कमी होईल आणि अपडेट्स सोपे होतील: प्लॅनरला पुन्हा प्रशिक्षित न करता नवीन भाषिक क्षमता जोडली जाऊ शकते. स्वायत्त ड्रायव्हिंगसाठी बेंचमार्क सूट्सना देखील विकसित होण्याची गरज असेल, ज्यामध्ये पारंपारिक सुरक्षा आणि कार्यक्षमता स्कोअरसोबतच भाषा-केंद्रित मेट्रिक्स देखील जोडले जातील.
प्रतिवाद: स्पेशलायझेशनला (specialization) अजूनही स्थान आहे
स्पेशलिस्ट मॉडेल्स उत्कृष्ट कामगिरी करतात कारण त्यांना मोठ्या, डोमेन-विशिष्ट डेटावर फाईन-ट्यून (fine-tune) केले जाऊ शकते. एक युनिफाइड मॉडेल कदाचित लिडार-ओन्ली परसेप्शन नेटवर्क किंवा अब्जावधी मैलांच्या ड्रायव्हिंग लॉगवर प्रशिक्षित प्लॅनरच्या सर्वोच्च कामगिरीशी स्पर्धा करण्यात संघर्ष करू शकते. सुरक्षा-महत्त्वाच्या कार्यांसाठी, नियामक आणि उत्पादक कदाचित समर्पित, व्यापकपणे प्रमाणित केलेल्या घटकांची मागणी करणे सुरूच ठेवतील.
पुढे काय पाहावे
भविष्यातील आवृत्त्यांमधून Qwen-Drive-1.0 हाय-रिझोल्यूशन लिडार स्वीकारू शकते का आणि दीर्घकालीन अंदाज (long-horizon forecasting) वर्तवू शकते का, हे स्पष्ट होईल. वास्तविक जगातील रस्ते चाचण्या, विशेषतः विविध शहरी वातावरणात, या युनिफाइड दृष्टिकोनासाठी कसोटी ठरेल. जर या चाचण्या यशस्वी झाल्या, तर उद्योग स्वायत्त वाहनांमध्ये भाषेला प्रथम श्रेणीचे स्थान देणाऱ्या मल्टीमोडल फाउंडेशनकडे वळताना पाहू शकतो.