Ucdan Uca Model Otonom Sürüşü Necə Dəyişdirir?

Bir avtomobilin özünü sürdüyünü düşünəndə ağlınıza nə gəlir? Güman ki, yolun üstünə yerləşdirilmiş onlarla sensor, nəhəng xəritələr və hər vəziyyəti əvvəlcədən qayda kimi yazmış mühəndislər, elə deyilmi? Məhz Tesla FSD-nin 12-ci versiyası ilə bu mənzərəni dəyişdi: artıq minlərlə əl ilə yazılmış qayda yoxdur; kamera görüntüsü birbaşa daxil olur, sükan-fren-qaz komandası çıxır. Bəs bir neyron şəbəkəyə "sürməyi öyrən" demək əslində nə deməkdir? Bu keçid otonom sürüş dünyasını necə dəyişdirir - və harada çətinliklərlə üzləşir?
Klassik Modul Arxitektura: Sürücü Köməkçisinin İçindəki Zavod Xətti
Ucdan-uca (end-to-end) danışmazdan əvvəl köhnə düzəni başa düşmək lazımdır, çünki bu gün yollardaki sistemlərin əksəriyyəti hələ də bu məntiqlə işləyir. Modul arxitektura otonom sürüş proqramını zavod xətti kimi qurur: hər mərhələ öz işini görür və nəticəni növbətisə ötürür. DARPA Grand Challenge-ın ilk qalib avtomobillərindən Cruise, Mobileye və açıq mənbəli Autoware-ə qədər bu yanaşmanın köklü tarixi var.
- Qavrayış (Perception): LiDAR, kamera və radar məlumatları işlənilib obyektlər aşkarlanır; YOLO və VoxelNet kimi alqoritmlər bu qatda fəaliyyət göstərir.
- Proqnoz (Prediction): Piyadalar və digər avtomobillər qısa və uzunmüddətli trayektoriyaları ilə modelləşdirilir.
- Planlaşdırma (Planning): Marşrut A* və ya Dijkstra kimi klassik alqoritmlərlə, yerli manevrlər isə RRT kimi üsullarla hesablanır.
- İdarəetmə (Control): Adətən Model Predictive Controller (MPC) işə düşür və avtomobili fiziki olaraq yönəldir.
Bu quruluşun ən böyük üstünlüyü şəffaflıqdır: hər modulu ayrı-ayrı sına bilərsiniz, hansı mərhələnin nəyi yanlış etdiyini tapa bilərsiniz. Amma ən böyük zəiflik də məhz burada gizlənir - səhvin yayılması. Qavrayış modulu bir piyadanı yanlış təsnif etsə, o səhv zəncirin sonuna qədər daşınır və planlaşdırma modulu artıq keyfiyyətini itirmiş məlumatla qərar verir. Üstəlik hər modulun ayrı öyrədilməsi ciddi sahə bilikləri və hesablama gücü tələb edir; mərhələli işləmə özü-özünə səmərəsizlik mənbəyidir.
Diqqət Çəkən Məqamlar
- Tesla FSD, 12 versiyası ilə (2024-ün əvvəlində müştərilərə açıldı) tamamilə ucdan-uca neyron şəbəkə arxitekturasına keçdi; bu gün 14-cü versiyandasınız.
- Modul arxitekturada qavrayış, proqnoz, planlaşdırma və idarəetmə ayrı modullardır; ucdan-uca yanaşmada hamısı tək neyron şəbəkədə birləşir.
- FSD-nin rəsmi adı hələ də FSD (Supervised): tam otonom avtomobil deyil, daim diqqətli sürücü tələb edən dəstək sistemi.
- Ucdan-uca yanaşmanın ən böyük problemi izaholunmazlıqdır: neyron şəbəkələrin formal təsdiqlənməsi hələ də həll olunmamış mühəndislik problemidir.
Ucdan-uca (End-to-End) Yanaşma: Minlərlə Qayda Yerinə Milyonlarla Nümunə

Ucdan-uca sürüşdə fikir təəccüblü dərəcədə sadədir: xam sensor məlumatını - kamera, LiDAR, radar, GPS - tək bir nəhəng neyron şəbəkəyə verirsiniz və şəbəkədən birbaşa sürüş komandları və ya sürüş planı alırsınız. Qavrayış, proqnoz və planlaşdırma ayrı proqramlar olmaqdan çıxıb tək proqramın içində əriyir. Tesla bu yola FSD v12 ilə girdi və 2024-ün əvvəlində sürücülərin sükanı arxasında təcrübə etdiyi ilk end-to-end versiya meydana çıxdı. Bugün sistem v14-ə qədər təkamül etdi.
Fərqi bir bənzətmə ilə izah edim: moduldar sistem, trafik qaydalarını əzbərləmiş bir tələbədir; hər vəziyyət üçün hazırlanmış qaydası var. End-to-end sistem isə yanında oturub saatlarla izlədiyi təcrübəli bir sürücüdür; nəyi nə üçün etdiyini bəlkə tək-tək izah edə bilmir, amma doğru hərəkəti hiss edir. Sinir şəbəkəsi yalnız obyektlərin nə olduğunu deyil, insan sürücülərin onlara necə reaksiya verdiyini də öyrənir.
Bəli, Şəbəkə Necə Təlim Olunur?
İki əsas yol var. Birincisi təqlid təlimi (behavior cloning): şəbəkə, insan sürücülərinin milyonlarla kilometrlik davranışını kopyalamağı öyrənir. Gözəl metod, amma iki zəifi var - kovariansiya sürüşməsi və səbəbi qarışıqlıq; yəni şəbəkə, nəyin həqiqətən vacib olduğunu səhv öyrənə bilər. İkincisi möhkəmləndirməli təlim: simulyasiyada sına-yanaxma ilə şəbəkə mükafatlandırılaraq təlim olunur. NVIDIA bu məsələdə 2016-cı ildəki DAVE-2-dən bugün 1.000 TOPS-a qədər çip gücü təqdim edən DRIVE Thor-a qədər uzanan bir tarixə malikdir; Wayve və Comma.ai da eyni fəlsəfəni izləyən digər adlardır.
Moduldar mı, End-to-End mı? Konkret Müqayisə
İki yanaşmanı yan-yana qoyduğumuzda mənzərə aydınlaşır. End-to-end arxitekturasının tədqiqatçılar tərəfindən sıralanan üstünlükləri bunlardır: xəta yayılmasının azalması, hesablama səmərəliliyi, təlimin nisbi asanlığı və maraqlı bir şəkildə hücuma davamlılıq - sistemin sürüş davranışını hansı konkret girişin tetiklediyini xaricdən bilmədikləri üçün pis niyyətli manipulyasiya da çətinləşir.
| Xüsusiyyət | Moduldar Arxitektura | End-to-End Arxitektura |
|---|---|---|
| Struktur | Qavrayış → proqnoz → planlaşdırma → idarəetmə ayrı-ayrı modullar | Xam sensor məlumatından idarəetməyə tək sinir şəbəkəsi |
| İnkişaf metodu | Əl ilə yazılmış qaydalar + ayrı təlim olunmuş modullar | Məlumatdan öyrənmə (təqlid/möhkəmləndirməli təlim) |
| Şəffaflıq | Çox böyük məlumat dəsti məcburi hər modul ayrıca sına bilər | Aşağı; qərar mexanizmi qara qutu |
| Xəta yayılması | Var; qavrayış xətası zəncir boyunca daşınır | Azaldılmış |
| Məlumat tələbi | Modul başına sahə ekspertizası | Çox böyük verilər dəsti tələb olunur |
Rəqibin isə ağır topu şəffaflıqdır. Moduldar sistemi hissə-hissə yoxlaya bilərsiniz; sinir şəbəkəsinin beyninin içində nə döndüyünü isə yalnız qismən görə bilərsiniz. Tədqiqat dünyası bu tənqidə diqqət xəritələri və izah edilə bilən çıxışlarla qismən cavablar hazırlasa da, işin içinə təhlükəsizlik sertifikatı daxil olanda məsələ dərinləşir - buna bir azdan gələcəyik.
Tesla ilə Waymo: Eyni Hədəf, Zıt Fəlsəfələr
Sensor tərəfindəki bölünmə arxitektura mübahisəsinin ən görünən üzüdür. Tesla-nın yanaşması kamera + sinir şəbəkəsi, LiDAR-sız - qlobal miqyasda gəzə bilən bir sistem üçün bu yolun lazım olduğunu müdafiə edirlər. Waymo isə tam əksi: son avtomobilində 13 kamera və 4 LiDAR vahidi ilə sensorları üst-üstə yığan çox-sensorlu arxitektura. Waymo eş-CEO'su Dmitri Dolgov, 2026'da kamera-tek yaklaşımın tam otonomiye ulaşmadan yataylaştığını, yani tıkandığını açıkça söyleyen isim. Tesla cephesi ise FSD ile milyarlarca mil kanıt üretildiğini savunuyor.
Aslında tablo kulisten bakınca biraz daha gri: Tesla ve Waymo dahil birçok oyuncunun fiilen hibrit mimariler kullandığı, yani deterministik rota planlaması ile sinir ağı tabanlı algının birleştiği ifade ediliyor; Momenta ve Aurora da bu listede sayılıyor. Yani "her şey tek ağda mı, her şey ayrı modülde mi" sorusunun cevabı sahadaki pratikte çoğu zaman "ikisinin karışımı" oluyor. Sensör kıyasında ise LiDAR düşük ışık ve gece koşullarında üstün; kamera-tek sistemler ise enerji verimli ve önceden haritalama gerektirmiyor.
Kara Kutu Sorunu: Açıklanabilirlik ve Doğrulanabilirlik
İşin teknik olarak en can alıcı kısmı burası. Otomotiv dünyasının güvenlik standartları - ASIL, ASPICE, AUTOSAR, MISRA - sistemin ne yaptığını gereksinim bazında tanımlamayı ve kanıtlamayı ister. End-to-end bir sinir ağında "araba şu durumda şu kararı verecek" diye yazabileceğiniz bir gereksinim tanımlamak zaten zor; sinir ağlarının formel doğrulanması ise hâlâ çözülmemiş bir mühendislik problemi. Yani ağ ne kadar iyi sürerse sürsün, mühendislerin her güvenlik gereksinimini ispatlaması gerektiğinde ellerinde yeterli araç olmayabiliyor.
Bunun somut karşılığını sorumluluk tarafında görüyoruz. Mercedes-Benz, dünyanın sertifikalı ilk Seviye 3 sistemi olan DRIVE PILOT için hukuki sorumluluğu üstlendiğini açıkladı ve Almanya otoritesinden otoyollarda 95 km/s hıza kadar onay aldı - SAE J3016 seviyelerine göre Seviye 3'te sorumluluk sürücüden üreticiye geçiyor. Bunun nedeni kısmen mimari: modüler ve sınırları net tanımlanmış bir sistem, "bu koşullarda sistem sürüyor" denip üstüne imza atılabilir bir şeydir. Kara kutu bir ağa aynı imzayı atmak çok daha zor. Yeni araştırma trendi ise sinir ağlarına sahne anlama ve akıl yürütme katmanı ekleyen büyük dil modelleri ve görsel dil modelleri - açıklanabilirlik sorununa bir cevap denemesi olarak.
Vaat ile Gerçeklik: Bugünkü Durum Ne?
Buraya kadar her şey heyecan vericiydi; şimdi soğuk duş. Tesla FSD'nin resmî adına bakalım: FSD (Supervised). Yani "tam otonom sürüş" adını taşıyan sistem, resmî tanımıyla tamamen dikkatli bir sürücüyle kullanılmak üzere tasarlanmış ileri bir sürücü destek sistemi ve Tesla'yı tam otonom bir araca dönüştürmüyor. Sürücü her an müdahale etmeye hazır olmak zorunda - SAE sınıflandırmasında bu hâlâ Seviye 2 bölgesi. FSD v13 ile sistem park halindeki araçta devreye alınabiliyor ve geri manevra dahil ediliyor; yetenekler büyüyor, ama sınıflandırma değişmiyor.
Diğer yanda Waymo, 14 ABD şehrine ölçeklenen robotaksi hizmetiyle Seviye 4 operasyonunu fiilen yürütüyor. SAE-nin son revizyonu da Seviye 0-2-ni "surucu destek sistemleri", Seviye 3-5-i "avtomatik sistemler" olaraq yeniden adlandirarken tam avtomasiyanin yani Seviye 5-in hele de uzak oldugunu vurulayir. Sektor umumilesdinde hype dalgasinin real dunyaya deyerli xeberdar olmaqda yeni bir yerine kecmek donemini eksen edir: Seviye 2+ sistemler genis yayilmis veziyyetdedir, robotaksiler muayyen sehirlerle mehdududur ve Seviye 5 her kes ucun hele bir meqseddir.
Xulase olaraq: Qayda Yazmaqdan Oyrenmeye Keçid Ne Qederini Deysdirdi?
Bilavasite cavab budur: end-to-end memariyyeti, muxteliyyetli surusde qerar veren yazilimi elle yazilan qaydalardan melumatdan oyrenen bir sim neuro sebekesine kecirdi; bu, daha dogal surus davranisi ve azalnak xeta yayilmasi getirdi, lakin izahlilik, tesdiqlenebililik va sertifikatlasdirma baximindan yeni va halle olunmamis cetinlikler yaratdi. Tesla bu musabisesin en agresif oyunucusudur ve FSD v12-den sonra sistem realen ferqli bir seye cevrildi - ancaq supervisorlesmeden tam avtonomiya hele de teslim edilmemisdir. Modul yanasmasi da sehreden dusmemisdir; Waymo-nun sensor yiginini istifade edan, mesuliyyet dasiyan Seviye 3-4 sistemler bu felsefe ile sertifikatlasdirilir. Muhtemelen geleceyin qazanan memariyyeti, her iki dunyanin en yaxsisini birlesdiren hibrit quruluslar olacaq - va o yarisa tam indi baslanir.
Menbeler
- Recent Advancements in End-to-End Autonomous Driving using Deep Learning: A Survey - arXiv
- Autonomous driving: Modular pipeline Vs. End-to-end and LLMs
- Navigating Autonomous Driving: Comparing Modular, End-to-End, and Hybrid
- End-to-end learning vs modular trade-offs
- Integrating Modular Pipelines with End-to-End Learning
- End-to-end system architectures in autonomous driving