Qwen-Drive-1.0 అనేది గ్రహణశక్తి (perception), ప్రణాళిక (planning) మరియు భాషను (language) ఒకే మోడల్లో కలిపి, స్వయంప్రతిపత్త వాహన (autonomous-vehicle) ఇంజనీర్లకు మాటల ద్వారా లేదా వచన రూపంలో ఇచ్చే సూచనలను పాటించే సామర్థ్యాన్ని కోల్పోకుండానే, మరింత సరళమైన స్టాక్ను అందిస్తుంది. ఈ ఏకీకృత ఆర్కిటెక్చర్ డెవలప్మెంట్ సంక్లిష్టతను తగ్గించగలదు, అదే సమయంలో కార్లు “నువ్వు ఎందుకు మలుపు తిరిగావు?” అనే ప్రశ్నకు సమాధానం చెప్పేలా లేదా “తదుపరి ఎగ్జిట్ తీసుకో” అనే ఆదేశాలను పాటించేలా చేస్తుంది.
ఏకీకృత ఫౌండేషన్ ఎందుకు ముఖ్యం
ప్రస్తుతం ఉన్న చాలా స్వయంప్రతిపత్త డ్రైవింగ్ సాఫ్ట్వేర్లు విడివిడి మాడ్యూళ్ల కలయికగా ఉన్నాయి: కెమెరా మరియు లిడార్ (lidar) డేటాను విశ్లేషించే విజన్ సిస్టమ్, మార్గాన్ని (trajectory) నిర్ణయించే ప్లానర్, మరియు వినియోగదారుల ఆదేశాలను లేదా వివరణలను నిర్వహించే లాంగ్వేజ్ ఇంటర్ఫేస్. ప్రతి భాగం విడిగా శిక్షణ పొందుతుంది, కాబట్టి విజన్ లేదా ప్లానింగ్ భాగాలు ప్రాధాన్యత పొందినప్పుడు లాంగ్వేజ్ కాంపోనెంట్ తరచుగా పక్కదారి పడుతుంది. దీని ఫలితంగా వాహనం నడపగలదు కానీ సహజ భాషను నమ్మదగిన రీతిలో అర్థం చేసుకోవడం లేదా రూపొందించడంలో విఫలమవుతుంది.
Qwen-Drive-1.0 మూడు పనులపై ఒకే బ్యాక్బోన్ను శిక్షణ ఇవ్వడం ద్వారా ఈ విభజన సమస్యను పరిష్కరిస్తుంది—అవి 3-D గ్రహణశక్తి (perception), విజువల్ క్వశ్చన్ ఆన్సరింగ్ (VQA), మరియు మోషన్ ప్లానింగ్. డ్రైవింగ్ డేటాసెట్లను సాధారణ విజన్-లాంగ్వేజ్ కార్పస్ట్లతో కలపడం ద్వారా, ఈ మోడల్ చూసే మరియు పనిచేసే సామర్థ్యాన్ని నేర్చుకుంటున్నప్పటికీ దాని భాషా జ్ఞానాన్ని నిలుపుకుంటుంది. ఈ “మల్టీమోడల్ ఫౌండేషన్” అనేక డౌన్స్ట్రీమ్ అప్లికేషన్లకు బేస్గా పనిచేసే లార్జ్ లాంగ్వేజ్ మోడల్స్ (LLMs) ట్రెండ్లను పోలి ఉంటుంది, కానీ ఇది సురక్షితమైన నావిగేషన్కు అవసరమైన స్పేషియల్ రీజనింగ్ను కూడా జోడిస్తుంది.
మోడల్ను ఎలా అంచనా వేశారు
పరిశోధకులు ఈ మోడల్ను ఓపెన్-లూప్ మరియు క్లోజ్డ్-లూప్ పరీక్షల ద్వారా పరీక్షించారు. ఓపెన్-లూప్ సందర్భాలలో, సిస్టమ్ రికార్డ్ చేయబడిన సెన్సార్ స్ట్రీమ్లను ప్రాసెస్ చేసి, పర్యావరణంపై ప్రభావం చూపకుండా అంచనాలను రూపొందించింది; క్లోజ్డ్-లూప్ ట్రయల్స్లో ఇది నిజంగా ఒక సిమ్యులేటెడ్ వాహనాన్ని నియంత్రించింది. ఈ సెట్టింగ్లలో, Qwen-Drive-1.0 యొక్క మోషన్-ప్లానింగ్ పనితీరు కేవలం డ్రైవింగ్పై మాత్రమే దృష్టి సారించే స్పెషలిస్ట్ మోడల్స్తో సమానంగా ఉంది. అదే సమయంలో, దాని VQA కాంపోనెంట్ దృశ్యం గురించి అడిగే ప్రశ్నలకు సమాధానం ఇచ్చింది, దీనివల్ల జాయింట్ ట్రైనింగ్ ద్వారా భాషా సామర్థ్యం దెబ్బతినలేదని నిరూపితమైంది.
మిగిలి ఉన్న అడ్డంకులు
ప్రస్తుత పరిశోధన పూర్తి స్థాయి సెన్సార్ సూట్కు ఇంకా చేరుకోలేదు. హైవే డ్రైవింగ్కు చాలా కీలకమైన హై-రిజల్యూషన్ లిడార్ ఇన్పుట్లు మరియు లాంగ్-రేంజ్ ప్రిడిక్షన్లు శిక్షణ సెట్లో లేవు. అలాగే, గ్రహణశక్తి (perception) పరిమిత డేటాసెట్లపై ఆధారపడి ఉంది, ఇది వివిధ వాతావరణం, వెలుతురు మరియు ట్రాఫిక్ పరిస్థితులకు అనుగుణంగా పనిచేస్తుందా అనే ప్రశ్నలను లేవనెత్తుతుంది. ఈ మోడల్ వాస్తవ ప్రపంచంలోని హై-బ్యాండ్విడ్త్ సెన్సార్ స్ట్రీమ్లపై తన సామర్థ్యాన్ని నిరూపించుకునే వరకు, ఇంజనీర్లు ఇప్పటికే నిరూపితమైన పైప్లైన్లను మార్చడానికి వెనుకాడతారు.
ఈ విధానం విస్తరిస్తే ఏమి మారవచ్చు
ఒకే ఫౌండేషన్ మొత్తం perception-planning-language స్టాక్ను నిర్వహించగలిగితే, ఆటోమోటివ్ బృందాలు విడివిడి మాడ్యూళ్ల సంక్లిష్టమైన సమన్వయాన్ని వదిలివేయవచ్చు. ఇది ఇంటిగ్రేషన్ శ్రమను తగ్గిస్తుంది, మాడ్యూళ్ల మధ్య కమ్యూనికేషన్ వల్ల కలిగే లాటెన్సీని తగ్గిస్తుంది మరియు అప్డేట్లను సులభతరం చేస్తుంది: ప్లానర్ను మళ్ళీ శిక్షణ ఇవ్వకుండానే కొత్త భాషా సామర్థ్యాన్ని జోడించవచ్చు. స్వయంప్రతిపత్త డ్రైవింగ్ కోసం బెంచ్మార్క్ సూట్లు కూడా అభివృద్ధి చెందాలి, సాంప్రదాయ భద్రత మరియు సామర్థ్య స్కోర్లతో పాటు భాషా-కేంద్రీకృత మెట్రిక్స్ను కూడా జోడించాల్సి ఉంటుంది.
ప్రతిపాదనకు విరుద్ధ అంశం: స్పెషలైజేషన్కు ఇంకా ప్రాధాన్యత ఉంది
స్పెషలిస్ట్ మోడల్స్ భారీ, డొమైన్-స్పెసిఫిక్ డేటాపై ఫైన్-ట్యూన్ చేయబడతాయి కాబట్టి అవి అద్భుతంగా పనిచేస్తాయి. ఒక ఏకీకృత మోడల్, లిడార్-ఓన్లీ పర్సెప్షన్ నెట్వర్క్ లేదా బిలియన్ల మైళ్ల డ్రైవింగ్ లాగ్లపై శిక్షణ పొందిన ప్లానర్ యొక్క అత్యున్నత పనితీరును అందుకోవడంలో ఇబ్బంది పడవచ్చు. భద్రతకు సంబంధించిన కీలకమైన విధుల కోసం, నియంత్రణ సంస్థలు మరియు తయారీదారులు ప్రత్యేకమైన, విస్తృతంగా ధృవీకరించబడిన భాగాల కోసం డిమాండ్ చేస్తూనే ఉండవచ్చు.
తదుపరి ఏం గమనించాలి
భవిష్యత్తు విడుదలలు Qwen-Drive-1.0 హై-రిజల్యూషన్ లిడార్ను స్వీకరించి, లాంగ్-హారిజన్ ఫోర్కాస్టింగ్ను చేయగలదా లేదా అనేది తెలియజేయాలి. వాస్తవ ప్రపంచ రోడ్డు పరీక్షలు, ముఖ్యంగా వైవిధ్యభరితమైన పట్టణ వాతావరణంలో, ఈ ఏకీకృత విధానానికి నిజమైన పరీక్షగా నిలుస్తాయి. ఆ పరీక్షలు విజయవంతమైతే, స్వయంప్రతిపత్త వాహనాలలో భాషను ఒక ప్రాధాన్యత కలిగిన అంశంగా పరిగణించే మల్టీమోడల్ ఫౌండేషన్ల వైపు పరిశ్రమ మళ్లుతుంది.