Qwen-Drive-1.0 Matches Specialist Planners Yet Still Answers ‘Why Did You Turn?’

Qwen-Drive-1.0 புலனுணர்வு, திட்டமிடல் மற்றும் மொழியை ஒரே மாதிரியில் ஒருங்கிணைக்கிறது, இது தானியங்கி வாகனப் பொறியாளர்களுக்கு வாய்மொழி அல்லது உரை வழி அறிவுறுத்தல்களைப் பின்பற்றும் திறனை இழக்காமல், ஒரு எளிமையான கட்டமைப்பை வழங்குகிறது. இந்த ஒருங்கிணைந்த கட்டமைப்பு, கார்கள் “ஏன் திரும்பினாய்?” என்ற கேள்விக்கு பதிலளிக்கும் அல்லது “அடுத்த வெளியேற்றத்தைப் பயன்படுத்து” என்ற கட்டளைக்குக் கீழ்ப்படியும் திறனைத் தக்கவைத்துக் கொள்ளும் அதே வேளையில், மேம்பாட்டுச் சிக்கலைக் குறைக்கக்கூடும்.

ஒருங்கிணைந்த அடிப்படை ஏன் முக்கியமானது

இன்று பெரும்பாலான தானியங்கி மென்பொருள்கள் தனித்தனி தொகுதிகளின் தொகுப்பாக உள்ளன: கேமரா மற்றும் lidar தரவுகளைப் பகுப்பாய்வு செய்யும் ஒரு பார்வை அமைப்பு, பாதையைத் தீர்மானிக்கும் ஒரு திட்டமிடும் அமைப்பு மற்றும் பயனர் கட்டளைகள் அல்லது விளக்கங்களைக் கையாளும் ஒரு மொழி இடைமுகம். ஒவ்வொரு பகுதியும் தனித்தனியாகப் பயிற்சியளிக்கப்படுவதால், பார்வை அல்லது திட்டமிடல் பகுதிகள் முக்கியத்துவம் பெறும்போது, மொழித் கூறு பெரும்பாலும் விலகிச் செல்கிறது. இதன் விளைவாக, ஒரு வாகனம் வழிசெலுத்த முடியுமே தவிர, இயல்பான மொழியை நம்பகமான முறையில் புரிந்துகொள்ளவோ அல்லது உருவாக்கவோ முடிவதில்லை.

Qwen-Drive-1.0 மூன்று பணிகளை ஒரே நேரத்தில் ஒரே முதுகெலும்பு (backbone) மூலம் பயிற்சியளிப்பதன் மூலம் இந்தத் துண்டாடலைத் தீர்க்கிறது—அதாவது 3-D புலனுணர்வு, காட்சி வினா பதில் (VQA) மற்றும் இயக்கத் திட்டமிடல். ஓட்டுநர் தரவுத்தொகுப்புகளை பொதுவான பார்வை-மொழித் தொகுப்புகளுடன் கலப்பதன் மூலம், இந்த மாதிரி பார்ப்பதற்கும் செயல்படுவதற்கும் கற்றுக்கொள்ளும் அதே வேளையில் தனது மொழியியல் அறிவையும் தக்க வைத்துக் கொள்கிறது. இந்த “மல்டிமோடல் அடிப்படை” (multimodal foundation), பல பயன்பாடுகளுக்கு அடிப்படையாகச் செயல்படும் பெரிய மொழி மாதிரிகளின் போக்கைப் பிரதிபலிக்கிறது, ஆனால் பாதுகாப்பான வழிசெலுத்தலுக்குத் தேவையான இடஞ்சார்ந்த பகுத்தறிவையும் இது சேர்க்கிறது.

மாதிரி எவ்வாறு மதிப்பீடு செய்யப்பட்டது

ஆராய்ச்சியாளர்கள் இந்த மாதிரியை ஓபன்-லூப் (open-loop) மற்றும் க்ளோஸ்டு-லூப் (closed-loop) சோதனைகள் மூலம் இயக்கினர். ஓபன்-லூப் சூழல்களில், அமைப்பு பதிவு செய்யப்பட்ட சென்சார் தரவுகளைச் செயலாக்கி, சூழலில் எந்த மாற்றத்தையும் ஏற்படுத்தாமல் கணிப்புகளை உருவாக்கியது; க்ளோஸ்டு-லூப் சோதனைகளில், அது உண்மையில் ஒரு உருவகப்படுத்தப்பட்ட வாகனத்தைக் கட்டுப்படுத்தியது. இந்த அமைப்புகளில், Qwen-Drive-1.0-இன் இயக்கத் திட்டமிடல் செயல்திறன், ஓட்டுநலில் மட்டுமே கவனம் செலுத்தும் நிபுணத்துவ மாதிரிகளுக்கு இணையாக இருந்தது. அதே நேரத்தில், அதன் VQA கூறு காட்சிகளைப் பற்றிய கேள்விகளுக்குப் பதிலளித்தது, இதன் மூலம் ஒருங்கிணைந்த பயிற்சியின் போது மொழித் திறன் நிலைத்திருந்தது என்பதை நிரூபித்தது.

எஞ்சியுள்ள தடைகள்

தற்போதைய ஆய்வு ஒரு முழுமையான சென்சார் தொகுப்பிற்கு இன்னும் எட்டவில்லை. நெடுஞ்சாலை ஓட்டுதலுக்கு முக்கியமான உயர் தெளிவுத்திறன் கொண்ட lidar உள்ளீடுகள் மற்றும் நீண்ட தூரக் கணிப்பு ஆகிய இரண்டும் பயிற்சித் தொகுப்பில் இல்லை. மேலும், புலனுணர்வு என்பது வரையறுக்கப்பட்ட தரவுத்தொகுப்புகளைச் சார்ந்துள்ளது, இது பல்வேறு வானிலை, ஒளி மற்றும் போக்குவரத்து நிலைகளுக்குப் பொதுமைப்படுத்துவது குறித்த கேள்விகளை எழுப்புகிறது. இந்த மாதிரி நிஜ உலக, அதிக அலைவரிசை கொண்ட சென்சார் தரவு ஓட்டங்களில் தன்னை நிரூபிக்கும் வரை, பொறியாளர்கள் ஏற்கனவே நிரூபிக்கப்பட்ட வழிமுறைகளை மாற்றத் தயங்குவார்கள்.

இந்த அணுகுமுறை விரிவுபடுத்தப்பட்டால் என்ன மாறலாம்

ஒரு ஒற்றை அடிப்படை முழுமையான புலனுணர்வு-திட்டமிடல்-மொழி கட்டமைப்பைக் கையாள முடிந்தால், வாகனத் தயாரிப்பு குழுக்கள் தனித்தனி தொகுதிகளின் சிக்கலான ஒருங்கிணைப்பைத் தவிர்க்கலாம். இது ஒருங்கிணைப்பு முயற்சியைக் குறைக்கும், தொகுதிகளுக்கு இடையிலான தகவல் தொடர்பினால் ஏற்படும் தாமதத்தைக் குறைக்கும் மற்றும் புதுப்பிப்புகளை எளிதாக்கும்: திட்டமிடும் அமைப்பை மீண்டும் பயிற்சியளிக்காமலேயே புதிய மொழித் திறனைச் சேர்க்க முடியும். தானியங்கி ஓட்டுதலுக்கான பெஞ்ச்மார்க் தொகுப்புகளும் பரிணமிக்க வேண்டியிருக்கும், அதாவது பாரம்பரிய பாதுகாப்பு மற்றும் செயல்திறன் மதிப்பெண்களுடன் மொழி சார்ந்த அளவீடுகளையும் சேர்க்க வேண்டும்.

முரணான கருத்து: நிபுணத்துவம் இன்னும் முக்கியமானது

நிபுணத்துவ மாதிரிகள் சிறப்பாகச் செயல்படுகின்றன, ஏனெனில் அவை மிகப்பெரிய, குறிப்பிட்ட துறை சார்ந்த தரவுகளில் நுணுக்கமாகச் செம்மைப்படுத்தப்படலாம். ஒரு ஒருங்கிணைந்த மாதிரியானது, lidar-மட்டும் பயன்படுத்தும் புலனுணர்வு வலைப்பின்னல் அல்லது பில்லியன் கணக்கான மைல் ஓட்டுநர் பதிவுகளில் பயிற்சியளிக்கப்பட்ட திட்டமிடும் அமைப்பின் உச்சகட்ட செயல்திறனைப் பெறுவதில் சிரமப்படலாம். பாதுகாப்பு சார்ந்த செயல்பாடுகளுக்கு, ஒழுங்குமுறை அமைப்புகளும் உற்பத்தியாளர்களும் தொடர்ந்து பிரத்யேகமான, விரிவாகச் சரிபார்க்கப்பட்ட கூறுகளைக் கோரலாம்.

அடுத்து கவனிக்க வேண்டியவை

எதிர்கால வெளியீடுகள் Qwen-Drive-1.0 உயர் தெளிவுத்திறன் கொண்ட lidar தரவை உள்வாங்கிக் கொள்ள முடியுமா மற்றும் நீண்ட காலக் கணிப்புகளைச் செய்ய முடியுமா என்பதை வெளிப்படுத்த வேண்டும். நிஜ உலக சாலைச் சோதனைகள், குறிப்பாக மாறுபட்ட நகர்ப்புற சூழல்களில், இந்த ஒருங்கிணைந்த அணுகுமுறைக்கான உண்மையான சோதனைச் சவாலாக இருக்கும். அந்தச் சோதனைகள் வெற்றி பெற்றால், தானியங்கி வாகனங்களில் மொழியை ஒரு முதன்மையான அங்கமாக கருதும் மல்டிமோடல் அடிப்படைகளை நோக்கித் தொழில்துறை நகரக்கூடும்.