غالبًا ما تعتمد أنظمة اتخاذ القرارات ذاتية الحكم الذاتي على التصميم المعياري. من الإدراك البيئي ، وتخطيط صنع القرار إلى التحكم في المركبات ، يعمل كل نظام فرعي بشكل مستقل والتعاون في تشغيل السيارة. في سيناريوهات المرور المعقدة ، تعرض هذه البنية الهرمية للمشاكل مثل الأخطاء التراكمية وفقدان المعلومات وعدم كفاية الأداء في الوقت الفعلي. تقوم النماذج الكبيرة بتغيير هذا الموقف تدريجياً من خلال معلماتها الضخمة ، وقدرات معالجة البيانات عبر الوسائط ونماذج التعلم الشامل. لا يمكنها فقط تحقيق اندماج فعال من البيانات متعددة المستشعرات على مستوى الإدراك ، ولكن أيضًا تخطط لاستراتيجيات قيادة أكثر منطقية للمركبات من خلال الفهم الدلالي العميق والتفكير المنطقي على مستوى صنع القرار ، وبالتالي تعزيز السلامة والمتانة بشكل عام.
مزايا النماذج الكبيرة في القيادة المستقلة
لقد مرت عملية تطوير تكنولوجيا القيادة ذاتية الحكم نفسها بمراحل متعددة ، من القيادة المبكرة المبكرة إلى الانتقال التدريجي إلى القيادة المستقلة الكاملة. اعتمدت الأنظمة المبكرة في الغالب على اكتشاف الكائنات البسيطة والتحكم في القواعد. مع تطور التعلم العميق ، فإن اعتماد أساليب مثل CNN و RNN وحتى GAN قد حسّن بشكل مستمر القدرات البيئية وقدرات صنع القرار. علاوة على ذلك ، فإن التكنولوجيا التي تجمع بين تمثيل BEV (عرض عين الطيور) ومحولها ، إلى حد ما ، مكونة من أوجه القصور في الأساليب التقليدية في النمذجة المكانية والزمانية. يمكن القول أن إدخال النماذج الكبيرة يعيد تشكيل البنية العامة لأنظمة القيادة المستقلة بشكل أساسي ، مما يضع أساسًا متينًا لتسويق مستويات L3 و L4 وحتى L5 في المستقبل.
عادةً ما تعتمد بنية النموذج القائمة على المحول آلية الاعتداء الذاتي ، والتي يمكن أن تلتقط تبعيات لمسافات طويلة ، وبالتالي تحسين العالم ودقة معالجة المعلومات بشكل كبير. من خلال نهج صقل ما قبل التدريب ، يتم تدريب النموذج مسبقًا على بيانات غير مسماة على نطاق واسع ومن ثم تم ضبطها بشكل دقيق لمهام القيادة المستقلة المحددة. هذا لا يقلل فقط من الاعتماد على كمية كبيرة من البيانات المسمى ولكن أيضًا يمكّن النموذج من الحصول على قدرات ترحيل جيدة للمجال. يمكن للنماذج الكبيرة متعددة الوسائط في وقت واحد معالجة أشكال البيانات المختلفة في وقت واحد مثل الصور ، والغيوم النقطية ، وبيانات الرادار ، وتحقيق قفزة من "رؤية" إلى "الفهم" ، وتهوية أنظمة القيادة المستقلة ذات القدرات المعرفية مماثلة لتلك الموجودة في البشر.
التطبيق المحدد للنماذج الكبيرة في القيادة المستقلة
في أنظمة القيادة المستقلة ، ينعكس تطبيق النماذج الكبيرة بشكل أساسي في جوانب متعددة مثل الإدراك البيئي وصنع القرار والتخطيط والتحكم في المركبات. من حيث الإدراك البيئي ، تعتمد الأنظمة التقليدية بشكل أساسي على بيانات مستشعر واحد للكشف عن الهدف والتجزئة الدلالية. ومع ذلك ، نظرًا لقيود الإضاءة والطقس وأجهزة الاستشعار نفسها ، غالبًا ما تواجه صعوبة في التعامل مع السيناريوهات المعقدة. من خلال تقنية اندماج البيانات متعددة الوسائط ، يمكن للمواد الكبيرة دمج البيانات المختلفة مثل الكاميرات واللييدار ورادارات الموجة ملليمتر وخرائط عالية الدقة لتشكيل تمثيل أكثر ثراءً ودقة للبيئة. على سبيل المثال ، يمكن لنموذج العمل المرئي (VLA) استخراج المعلومات المرئية والمعلومات الدلالية في وقت واحد في الصورة ، ويظهر دقة عالية للغاية في اكتشاف العقبات ، والتنبؤ بسلوكيات المشاة وظروف الطريق. بعد أن يتم دمج معلومات مستشعرات متعددة بعمق من قبل النموذج الكبير ، لا يمكن تحقيق متانة الكشف المستهدف فحسب ، بل يمكن أيضًا تحقيق التنبؤ بالمشاهد الديناميكية من خلال تحليل السلاسل الزمنية ، مما يوفر مدخلات أكثر موثوقية لاتخاذ القرارات.
على مستوى اتخاذ القرارات والتخطيط ، تعتمد أنظمة القيادة المستقلة التقليدية عادة على القواعد المحددة مسبقًا أو خوارزميات التخطيط القائمة على النماذج لتحويل نتائج الإدراك إلى قرارات تخطيط المسار واتخاذ إجراءات. ومع ذلك ، فإن هذه الطريقة عرضة للفشل عند مواجهة ظروف حركة المرور المعقدة التي لم يسبق لها مثيل من قبل ، وتصميم الواجهة بين كل وحدة صارمة إلى حد ما ، مما يجعل من الصعب تحقيق التحسين الشامل. من خلال إطار عمل تعليمي من طرف إلى طرف ، يمكن للنماذج الكبيرة استخراج المعلومات الرئيسية مباشرة من بيانات المستشعر الخام وإنشاء أوامر التحكم في المركبات من خلال التفكير المنطقي المتأصل. لقد أظهرت DriveGPT -4 و languagempc إمكانات استخدام نماذج كبيرة لاتخاذ القرارات متعددة المهام. لا يمكن أن تولد نماذجها استراتيجيات قيادة معقولة في سيناريوهات معقدة ولكن أيضًا توفر تفسيرات مفصلة ، مما يعزز قابلية تفسير النظام. تكمن ميزة اتخاذ القرارات من طرف إلى طرف في تقليل الأخطاء الوسيطة في عملية نقل المعلومات وتمكين النظام بأكمله من الحصول على القدرة على التكيف مع السيناريوهات الجديدة.
لا يتطلب التحكم في المركبات ، باعتبارها الخطوة الأخيرة من القيادة المستقلة ، دقة صنع القرار فحسب ، بل تتضمن أيضًا استجابة النظام في الوقت الفعلي. نظرًا لأن النماذج الكبيرة عادة ما يكون لها العديد من المعلمات والتكاليف الحسابية الضخمة ، فهناك بعض التحديات في نشرها المباشر على الأنظمة المثبتة على المركبات. لقد أجريت الصناعة استكشافات واسعة في ضغط النموذج والوزن الخفيف. من خلال تقنية التقطير النموذجية ، يتم استخراج المعرفة الأساسية في النماذج الكبيرة ثم يتم نقلها إلى نماذج صغيرة وفعالة لتحقيق تطابق مثالي مع أجهزة في المركبة (مثل سلسلة NVIDIA Drive AGX). لا تحتفظ هذه التكنولوجيا فقط بالأداء العالي للنماذج الكبيرة ، بل تضمن أيضًا أن وقت الاستجابة يلبي متطلبات التحكم في الوقت الفعلي ، وبالتالي تلعب دورًا مهمًا في عملية تسويق القيادة المستقلة L3\/L4.
في المحاكاة والتحقق من الحلقة المغلقة للقيادة ذاتية الحكم ، أظهرت النماذج الكبيرة أيضًا مزايا كبيرة. يمكن أن يؤدي التدريب مع البيانات على نطاق واسع والمشاهد الاصطناعية إلى بناء نماذج عالمية واقعية ، ويمكن تحقيق اختبارات الحلقة المغلقة في بيئة افتراضية من خلال تقنية التوأم الرقمية. لا تقلل هذه الطريقة بشكل كبير من مخاطر وتكاليف إجراء عدد كبير من الاختبارات على الطرق الحقيقية ، ولكن يمكن أيضًا محاكاة مختلف سيناريوهات مختلف الطول والطول الطويل ، مما يوفر دعمًا كافيًا للبيانات للتحسين التكراري للنموذج. حقق نموذج إيما في Waymo ، من خلال الاستفادة من منصات المحاكاة وتكنولوجيا النماذج الكبيرة ، التنبؤ بالمسار عالي الدقة واتخاذ القرارات لتجنب الاصطدام. يتجاوز أدائها أنظمة التسلسل الهرمي التقليدي ، مما يوفر نهجًا جديدًا للتحقق من الحلقة المغلقة لأنظمة القيادة المستقلة في المستقبل.
بالإضافة إلى ذلك ، لعبت النماذج الكبيرة أيضًا دورًا مهمًا في تعزيز أمن النظام وتجربة المستخدم. القيادة المستقلة ليست مجرد مشكلة فنية ؛ كما أنه ينطوي على تفاعل الحاسوب البشري وقضايا الثقة الاجتماعية. من خلال تكنولوجيا معالجة اللغة الطبيعية ، يمكن للموديلات الكبيرة تحقيق محادثات في الوقت الفعلي مع السائقين ، وتقديم اقتراحات القيادة وتنبيهات الطوارئ ، وحتى تقدم مساعدة شخصية بناءً على عواطف السائق. يمكن أن يؤدي تصميم التفاعل إلى تعزيز ثقة الركاب بشكل كبير ، مما يجعل نظام القيادة المستقل ليس أكثر تقدمًا في التكنولوجيا فحسب ، بل يتماشى أيضًا مع احتياجات المستخدمين في التطبيقات العملية.
ما هي التحديات التي تواجهها النماذج الكبيرة في القيادة المستقلة؟
على الرغم من أن النماذج الكبيرة أظهرت إمكانات كبيرة في مجال القيادة المستقلة ، إلا أنه لا يزال هناك العديد من المشكلات في تحويلها من الإنجازات المختبرية إلى التطبيقات التجارية. يعد الأداء في الوقت الفعلي وحساب الموارد أحد الاختناقات الرئيسية في الوقت الحاضر. النماذج الكبيرة عادة ما تكون على نطاق واسع من المعلمات والتعقيد الحسابي العالي. لإنشاء القرارات ضمن مستوى المللي ثانية يطرح متطلبات عالية للغاية لقوة الحوسبة لمنصة الحوسبة داخل السيارة. يمكن استخدام رقائق الذكاء الاصطناعى المخصصة ، ويمكن ضغط النماذج الكبيرة من خلال تقنيات مثل تقطير النموذج والتكميات ، وتسعى جاهدة لتلبية متطلبات الاستجابة في الوقت الفعلي مع ضمان الأداء.
تعد قضايا الأمن والمتانة أيضًا تحديات أساسية في تطبيق النماذج الكبيرة. بمجرد أن ترتكب مركبة مستقلة خطأ في صنع القرار ، يمكن أن تكون العواقب خطيرة للغاية. لذلك ، يجب أن تخضع النماذج الكبيرة للاختبار والتحقق الصارم قبل استخدامها لضمان استجابةها بشكل صحيح في سيناريوهات مختلفة معقدة ومتطرفة. نظرًا لطبيعة "الصندوق الأسود" للنماذج الكبيرة ، غالبًا ما يصعب شرح عمليات صنع القرار الداخلية. كيفية تعزيز قابلية تفسير النموذج مع ضمان الأداء العالي أصبح مشكلة ملحة للسلطات التنظيمية وصناعات السيارات لحلها. في المستقبل ، من خلال الجمع بين أساليب مثل التعلم التعزيز ، والضبط على أساس التعليقات البشرية ، وقيود القواعد ، من المتوقع أن يصمم أنظمة صنع القرار فعالة وشفافة.
لا يمكن تجاهل خصوصية البيانات والقضايا الأخلاقية إما في تطبيق النماذج الكبيرة. تحتاج أنظمة القيادة ذاتية الحكم إلى جمع كمية كبيرة من البيانات والبيئة والبيئة ، وترتبط التخزين واستخدام هذه البيانات بشكل مباشر بحماية خصوصية المستخدم. كيفية الاستفادة الكاملة من مزايا البيانات الضخمة مع ضمان أمان نقل البيانات ومعالجتها هي المشكلة الأولى التي تحتاج السلطات التنظيمية إلى معالجتها. من الضروري صياغة معايير صارمة لحماية البيانات وآليات حماية الخصوصية لتوفير ضمانات مؤسسية للتطبيق الآمن للنماذج الكبيرة في القيادة المستقلة.
يعد التعاون بين البرامج والأجهزة أيضًا مفتاح تنفيذ النماذج الكبيرة. لا يعتمد التطبيق الناجح للنماذج الكبيرة على ابتكار الخوارزمية فحسب ، بل يتطلب أيضًا دعم الأجهزة عالي الأداء. في الوقت الحالي ، أطلقت الشركات المصنعة الرئيسية على التوالي منصات الحوسبة في الجيل الجديد في المركبة ، مثل Nvidia Drive Agx Pegasus ، Atlan ، إلخ كما قدم التقدم المستمر لتكنولوجيا المستشعرات مصادر بيانات أكثر وفرة وعالية الجودة لاندماج البيانات متعددة الوسائط. مع التحسين المستمر للنظام الإيكولوجي الكامل للقيادة ذاتية الحكم ، لا بد أن يكون التكامل العميق للبرامج والأجهزة يدفع الصناعة بأكملها إلى عصر جديد تمامًا من السفر الذكي.
لا ينعكس التأثير العميق للنماذج الكبيرة على تكنولوجيا القيادة المستقلة في التفاصيل الفنية فحسب ، بل أدى أيضًا إلى تحول نموذج من الأنظمة المعيارية التقليدية إلى النهاية إلى النهاية إلى الذكاء الإدراكي إلى الذكاء المعرفي. سيحقق نظام القيادة المستقلة المستقبلية ، بقيادة نماذج كبيرة ، الإدراك البيئي ذي الدقة العالية ، واتخاذ القرارات والتخطيط الأكثر مرونة ، بالإضافة إلى التحكم في المركبات أكثر أمانًا وأكثر كفاءة. في الوقت نفسه ، سوف يصل إلى مستوى جديد في التفاعل بين الإنسان والآلة ، والمساعدة الشخصية ، وأمن البيانات.