+86-315-6196865

Bagaimana model besar mendorong inovasi teknologi dalam mengemudi otonom

May 10, 2025

Sistem pengambilan keputusan mengemudi otonom tradisional sering mengandalkan desain modular. Dari persepsi lingkungan, perencanaan pengambilan keputusan hingga kontrol kendaraan, setiap subsistem bekerja secara mandiri dan kolaboratif mengendalikan operasi kendaraan. Dalam skenario lalu lintas yang kompleks, arsitektur hierarkis ini rentan terhadap masalah seperti kesalahan kumulatif, kehilangan informasi, dan kinerja real-time yang tidak memadai. Model besar secara bertahap mengubah situasi ini dengan parameter besar mereka, kemampuan pemrosesan data lintas modal dan paradigma pembelajaran ujung-ke-ujung. Ini tidak hanya dapat mencapai fusi data multi-sensor yang efisien di tingkat persepsi, tetapi juga merencanakan strategi mengemudi yang lebih masuk akal untuk kendaraan melalui pemahaman semantik yang mendalam dan penalaran logis pada tingkat pengambilan keputusan, sehingga meningkatkan keamanan dan kekokohan secara keseluruhan.

 

Keuntungan dari model besar dalam mengemudi otonom

Proses pengembangan teknologi mengemudi otonom itu sendiri telah melalui berbagai tahap, mulai dari mengemudi awal yang dibantu hingga transisi bertahap hingga mengemudi sepenuhnya otonom. Sistem awal sebagian besar mengandalkan deteksi objek sederhana dan kontrol aturan. Dengan pengembangan pembelajaran yang mendalam, adopsi metode seperti CNN, RNN, dan bahkan Gan terus meningkatkan persepsi lingkungan dan kemampuan pengambilan keputusan. Selain itu, teknologi yang menggabungkan representasi dan transformator BEV (Bird's Eye View) telah, sampai batas tertentu, dibuat untuk kekurangan metode tradisional dalam pemodelan spatio-temporal. Dapat dikatakan bahwa pengenalan model besar secara fundamental membentuk kembali arsitektur keseluruhan sistem mengemudi otonom, meletakkan dasar yang kuat untuk komersialisasi L3, L4 dan bahkan level L5 di masa depan.

Arsitektur model berdasarkan transformator biasanya mengadopsi mekanisme perhatian diri, yang dapat menangkap ketergantungan jarak jauh, sehingga secara signifikan meningkatkan globalitas dan keakuratan pemrosesan informasi. Melalui pendekatan tuning pra-pelatihan-halus, model ini dilatih sebelumnya pada data skala besar yang tidak berlabel dan kemudian disesuaikan untuk tugas mengemudi otonom tertentu. Ini tidak hanya mengurangi ketergantungan pada sejumlah besar data berlabel tetapi juga memungkinkan model untuk memiliki kemampuan migrasi lintas domain yang baik. Model besar multimodal dapat secara bersamaan memproses berbagai bentuk data seperti gambar, awan titik, dan data radar, mencapai lompatan dari "melihat" ke "pemahaman", dan menganut sistem penggerak otonom dengan kemampuan kognitif yang mirip dengan manusia.

 

Aplikasi spesifik model besar dalam mengemudi otonom

Dalam sistem mengemudi yang otonom, penerapan model besar terutama tercermin dalam berbagai aspek seperti persepsi lingkungan, pengambilan keputusan dan perencanaan, dan kontrol kendaraan. Dalam hal persepsi lingkungan, sistem tradisional terutama mengandalkan data sensor tunggal untuk deteksi target dan segmentasi semantik. Namun, karena keterbatasan pencahayaan, cuaca dan sensor itu sendiri, mereka sering mengalami kesulitan berurusan dengan skenario yang kompleks. Melalui teknologi fusi data multimodal, model besar dapat mengintegrasikan berbagai data seperti kamera, lidar, radar gelombang milimeter dan peta presisi tinggi untuk membentuk representasi lingkungan yang lebih kaya dan akurat. Sebagai contoh, model aksi-bahasa visual (VLA) dapat secara bersamaan mengekstrak informasi visual dan informasi semantik dalam gambar, dan menunjukkan akurasi yang sangat tinggi dalam mendeteksi hambatan, memprediksi perilaku pejalan kaki dan menilai kondisi jalan. Setelah informasi beberapa sensor sangat menyatu dengan model besar, tidak hanya ketahanan deteksi target yang ditingkatkan, tetapi juga prediksi adegan dinamis dapat dicapai melalui analisis deret waktu, memberikan input yang lebih andal untuk pengambilan keputusan kendaraan.

Pada tingkat pengambilan keputusan dan perencanaan, sistem mengemudi otonom tradisional biasanya bergantung pada aturan yang telah ditentukan atau algoritma perencanaan berbasis model untuk mengubah hasil persepsi menjadi perencanaan jalur dan keputusan tindakan. Namun, metode ini rentan terhadap kegagalan ketika menghadapi kondisi lalu lintas yang kompleks yang belum pernah terlihat sebelumnya, dan desain antarmuka antara setiap modul agak kaku, sehingga sulit untuk mencapai optimasi ujung ke ujung. Melalui kerangka pembelajaran ujung ke ujung, model besar dapat secara langsung mengekstrak informasi utama dari data sensor mentah dan menghasilkan perintah kontrol kendaraan melalui penalaran logis yang melekat. DriveGpt -4 dan languageMPC telah menunjukkan potensi menggunakan model besar untuk pengambilan keputusan multi-tugas. Model mereka tidak hanya dapat menghasilkan strategi mengemudi yang masuk akal dalam skenario yang kompleks tetapi juga memberikan penjelasan terperinci, meningkatkan interpretabilitas sistem. Keuntungan dari pengambilan keputusan ujung ke ujung ini terletak pada pengurangan kesalahan perantara dalam proses transmisi informasi dan memungkinkan seluruh sistem untuk memiliki kemampuan untuk beradaptasi dengan skenario baru.

Kontrol kendaraan, sebagai langkah terakhir dari mengemudi otonom, tidak hanya membutuhkan keakuratan pengambilan keputusan tetapi juga jaminan respons waktu nyata dari sistem. Karena model besar biasanya memiliki banyak parameter dan biaya komputasi yang sangat besar, ada tantangan tertentu dalam penyebaran langsung mereka pada sistem yang dipasang di kendaraan. Industri ini telah membuat eksplorasi luas dalam kompresi model dan ringan. Melalui model teknologi distilasi, pengetahuan penting dalam model besar diekstraksi dan kemudian ditransfer ke model kecil dan efisien untuk mencapai pasangan yang sempurna dengan perangkat keras di dalam kendaraan (seperti seri NVIDIA Drive AGX). Teknologi ini tidak hanya mempertahankan kinerja tinggi model besar tetapi juga memastikan bahwa waktu respons memenuhi persyaratan kontrol waktu nyata, sehingga memainkan peran penting dalam proses komersialisasi mengemudi otonom L3/L4.

Dalam verifikasi simulasi dan loop tertutup dari mengemudi otonom, model besar juga menunjukkan keunggulan yang signifikan. Pelatihan dengan data skala besar dan adegan sintetis dapat membangun model dunia yang realistis, dan pengujian loop tertutup dapat dicapai dalam lingkungan virtual melalui teknologi kembar digital. Metode ini tidak hanya secara signifikan mengurangi risiko dan biaya melakukan sejumlah besar tes di jalan nyata, tetapi juga dapat dengan cepat mensimulasikan berbagai skenario ekstrem dan ekor panjang, memberikan dukungan data yang memadai untuk optimalisasi iteratif model. Model EMMA Waymo, dengan memanfaatkan platform simulasi dan teknologi model besar, telah mencapai prediksi lintasan presisi tinggi dan pengambilan keputusan penghindaran tabrakan. Kinerja jauh melebihi sistem hierarkis tradisional, memberikan pendekatan baru untuk verifikasi loop tertutup dari sistem mengemudi yang sepenuhnya otonom di masa depan.

Selain itu, model besar juga memainkan peran penting dalam meningkatkan keamanan sistem dan pengalaman pengguna. Mengemudi otonom bukan hanya masalah teknis; Ini juga melibatkan interaksi manusia-komputer dan masalah kepercayaan sosial. Melalui teknologi pemrosesan bahasa alami, model besar dapat mencapai percakapan real-time dengan pengemudi, memberikan saran mengemudi dan peringatan darurat, dan bahkan menawarkan bantuan yang dipersonalisasi berdasarkan emosi pengemudi. Desain interaksi seperti itu dapat secara signifikan meningkatkan kepercayaan penumpang, membuat sistem mengemudi yang otonom tidak hanya lebih maju dalam teknologi tetapi juga lebih sesuai dengan kebutuhan pengguna dalam aplikasi praktis.

 

Tantangan apa yang ditimbulkan oleh model besar dalam mengemudi otonom?

Meskipun model besar telah menunjukkan potensi besar di bidang mengemudi otonom, masih ada banyak masalah dalam mengubahnya dari pencapaian laboratorium ke aplikasi komersial. Kinerja real-time dan sumber daya komputasi adalah salah satu hambatan utama saat ini. Model besar biasanya memiliki skala besar parameter dan kompleksitas komputasi yang tinggi. Untuk menghasilkan keputusan dalam tingkat milidetik menimbulkan persyaratan yang sangat tinggi untuk daya komputasi platform komputasi dalam kendaraan. Chip AI khusus dapat digunakan, dan model besar dapat dikompresi melalui teknik seperti distilasi model dan kuantisasi, berusaha untuk memenuhi persyaratan respons real-time sambil memastikan kinerja.

Masalah keamanan dan ketahanan juga merupakan tantangan inti dalam penerapan model besar. Setelah kendaraan otonom membuat kesalahan pengambilan keputusan, konsekuensinya bisa sangat serius. Oleh karena itu, model besar harus menjalani pengujian dan verifikasi yang ketat sebelum digunakan secara praktis untuk memastikan bahwa mereka dapat merespons dengan benar dalam berbagai skenario kompleks dan ekstrem. Karena sifat "kotak hitam" dari model besar, proses pengambilan keputusan internal mereka seringkali sulit dijelaskan. Bagaimana meningkatkan interpretabilitas model sambil memastikan kinerja tinggi telah menjadi masalah yang mendesak untuk dipecahkan oleh otoritas dan pembuat mobil. Di masa depan, dengan menggabungkan metode seperti pembelajaran penguatan, penyempurnaan berdasarkan umpan balik manusia, dan kendala aturan, diharapkan untuk merancang sistem pengambilan keputusan yang efisien dan transparan.

Privasi data dan masalah etika tidak dapat diabaikan baik dalam penerapan model besar. Sistem penggerak otonom perlu mengumpulkan sejumlah besar data kendaraan, lingkungan dan pengguna, dan penyimpanan dan penggunaan data ini secara langsung terkait dengan perlindungan privasi pengguna. Bagaimana cara memanfaatkan keunggulan data besar sambil memastikan keamanan transmisi dan pemrosesan data adalah masalah pertama yang perlu ditangani oleh otoritas pengatur. Penting untuk merumuskan standar perlindungan data yang ketat dan mekanisme perlindungan privasi untuk memberikan jaminan kelembagaan untuk aplikasi yang aman dari model besar dalam mengemudi otonom.

Kolaborasi antara perangkat lunak dan perangkat keras juga merupakan kunci untuk implementasi model besar. Aplikasi yang sukses dari model besar tidak hanya tergantung pada inovasi algoritma, tetapi juga membutuhkan dukungan perangkat keras berkinerja tinggi. Saat ini, produsen besar telah secara berturut-turut meluncurkan platform komputasi generasi baru dalam generasi baru, seperti NVIDIA Drive AGX Pegasus, Atlan, dll. Platform ini memberikan jaminan perangkat keras untuk inferensi real-time dan penyebaran skala besar dari model besar. Kemajuan teknologi sensor yang berkelanjutan juga menyediakan sumber data yang lebih banyak dan berkualitas tinggi untuk fusi data multimodal. Dengan peningkatan berkelanjutan dari seluruh ekosistem mengemudi otonom, integrasi perangkat lunak dan perangkat keras yang mendalam pasti akan mendorong seluruh industri ke era baru perjalanan yang cerdas.

Dampak mendalam dari model besar pada teknologi penggerak otonom tidak hanya tercermin dalam detail teknis, tetapi juga telah memicu perubahan paradigma dari sistem modular tradisional ke ujung ke ujung dan dari kecerdasan perseptual ke kecerdasan kognitif. Sistem penggerak otonom di masa depan, yang dipimpin oleh model besar, akan mencapai persepsi lingkungan presisi yang lebih tinggi, pengambilan keputusan dan perencanaan yang lebih fleksibel, serta kontrol kendaraan yang lebih aman dan lebih efisien. Pada saat yang sama, ia akan mencapai tingkat baru dalam interaksi manusia-mesin, bantuan yang dipersonalisasi, dan keamanan data.

 

Anda Mungkin Juga Menyukai

Kirim permintaan