এন্ড-টু-এন্ড মডেল অটোনমাস ড্রাইভিংকে কীভাবে বদলে দিচ্ছে?

একটি গাড়ি নিজে নিজে চালাচ্ছে - এই কথা ভাবলে আপনার মনে কী আসে? সম্ভবত রাস্তায় বসানো দশ ডজন সেন্সর, বিশাল মানচিত্র এবং প্রতিটি পরিস্থিতি আগে থেকে নিয়ম হিসেবে লিখে রাখা প্রকৌশলীরা, তাই না? কিন্তু Tesla, FSD-এর সংস্করণ 12 দিয়ে এই চিত্রটিকে উল্টে দিয়েছে: আর হাজার হাতে লেখা নিয়ম নেই; কাঁচা ক্যামেরা ছবি ঢুকছে, আর বের হচ্ছে স্টিয়ারিং-ব্রেক-অ্যাক্সেলেরের নির্দেশ। তাহলে একটি নিউরাল নেটওয়ার্ককে "চালানো শেখো" বলা আসলে কী বোঝায়? এই পরিবর্তন স্বয়ংক্রিয় গাড়ি চালানোর জগতকে কীভাবে বদলে দিচ্ছে - এবং কোথায় আটকে যাচ্ছে?
ক্লাসিক মডুলার আর্কিটেকচার: ড্রাইভার অ্যাসিস্ট্যান্টের ভেতরের কারখানার অ্যাসেম্বলি লাইন
এন্ড-টু-এন্ডের কথায় যাওয়ার আগে পুরনো ব্যবস্থাটি বোঝা জরুরি, কারণ আজও রাস্তার বেশিরভাগ সিস্টেম এই যুক্তিতেই চলে। মডুলার আর্কিটেকচার স্বয়ংক্রিয় ড্রাইভিং সফটওয়্যারকে একটি কারখানার অ্যাসেম্বলি লাইনের মতো সাজায়: প্রতিটি ধাপ নিজের কাজ করে এবং আউটপুট পরের ধাপে পাঠিয়ে দেয়। DARPA Grand Challenge-এর প্রথম বিজয়ী যানগুলোর একটি থেকে Cruise, Mobileye এবং ওপেন সোর্স Autoware পর্যন্ত এই পদ্ধতির দীর্ঘ ইতিহাস রয়েছে।
- পারসেপশন (Perception): LiDAR, ক্যামেরা ও রাডারের ডেটা প্রসেস করে বস্তু শনাক্ত করা হয়; YOLO এবং VoxelNet-এর মতো অ্যালগরিদম এই স্তরে কাজ করে।
- পূর্বাভাস (Prediction): পথচারী ও অন্যান্য যান স্বল্পমেয়াদি ও দীর্ঘমেয়াদি ট্র্যাজেক্টরি দিয়ে মডেল করা হয়।
- পরিকল্পনা (Planning): রুট হিসাব করা হয় A* বা Dijkstra-র মতো ক্লাসিক অ্যালগরিদম দিয়ে, আর স্থানীয় ম্যানুভার হিসাব হয় RRT-এর মতো পদ্ধতিতে।
- নিয়ন্ত্রণ (Control): সাধারণত Model Predictive Controller (MPC) কাজে লাগে এবং গাড়িটিকে ভৌতভাবে পরিচালনা করে।
এই কাঠামোর সবচেয়ে বড় সুবিধা স্বচ্ছতা: প্রতিটি মডিউল আলাদাভাবে পরীক্ষা করা যায়, কোন ধাপে কী ভুল হয়েছে তা খুঁজে বের করা যায়। কিন্তু সবচেয়ে বড় দুর্বলতাও ঠিক এখানেই লুকিয়ে - ত্রুটির বিস্তার। পারসেপশন মডিউল কোনো পথচারীকে ভুলভাবে শ্রেণিবদ্ধ করলে, সেই ত্রুটি চেইনের শেষ পর্যন্ত চলে যায় এবং পরিকল্পনা মডিউল ইতিমধ্যেই নষ্ট ডেটা দিয়ে সিদ্ধান্ত নেয়। তাছাড়া প্রতিটি মডিউল আলাদাভাবে প্রশিক্ষণ দিতে ব্যাপক বিষয়ভিত্তিক দক্ষতা ও কম্পিউটিং ক্ষমতা প্রয়োজন; ধাপে ধাপে প্রক্রিয়াকরণ নিজেই একটি অদক্ষতার উৎস।
গুরুত্বপূর্ণ পয়েন্টগুলো
- Tesla FSD, সংস্করণ 12 -এর সাথে (2024-এর শুরুতে গ্রাহকদের কাছে উন্মুক্ত) সম্পূর্ণ এন্ড-টু-এন্ড নিউরাল নেটওয়ার্ক আর্কিটেকচারে চলে গেছে; আজ আপনি v14 সংস্করণে আছেন।
- মডুলার আর্কিটেকচারে পারসেপশন, প্রেডিকশন, প্ল্যানিং ও কন্ট্রোল আলাদা মডিউল; এন্ড-টু-এন্ডে সবগুলো একটিমাত্র নিউরাল নেটওয়ার্কে একীভূত হয়।
- FSD-এর দাপ্তরিক নাম এখনও FSD (Supervised): এটি সম্পূর্ণ স্বয়ংক্রিয় গাড়ি নয়, বরং এমন একটি সহায়ক সিস্টেম যাতে সবসময় সতর্ক একজন ড্রাইভার প্রয়োজন।
- এন্ড-টু-এন্ডের সবচেয়ে বড় সমস্যা ব্যাখ্যাযোগ্যতা: নিউরাল নেটওয়ার্কের ফরমাল যাচাই আজও একটি অমীমাংসিত প্রকৌশল সমস্যা।
এন্ড-টু-এন্ড পদ্ধতি: হাজারো নিয়মের বদলে লক্ষ লক্ষ উদাহরণ

এন্ড-টু-এন্ড ড্রাইভিংয়ে ধারণাটি চমকপ্রদ রকমের সহজ: কাঁচা সেন্সর ডেটা - ক্যামেরা, LiDAR, রাডার, GPS - একটিমাত্র বিশাল নিউরাল নেটওয়ার্কে দিচ্ছেন, আর নেটওয়ার্ক থেকে সরাসরি ড্রাইভিং নির্দেশ বা একটি ড্রাইভিং প্ল্যান পাচ্ছেন। পারসেপশন, প্রেডিকশন ও প্ল্যানিং আলাদা সফটওয়্যার হওয়া বন্ধ করে একটিমাত্র প্রোগ্রামের ভেতরে গলে মিশে যাচ্ছে। Tesla এই পথে FSD v12 নিয়ে যাত্রা শুরু করেছিল এবং 2024 সালের শুরুতে চালকদের স্টিয়ারিংয়ে প্রথম end-to-end সংস্করণ অভিজ্ঞতার রূপ নিল। আজ সিস্টেমটি v14 পর্যন্ত বিবর্তিত হয়েছে।
পার্থক্যটি একটি উপমা দিয়ে বলি: মডুলার সিস্টেম হলো এমন এক ছাত্র, যে ট্রাফিকের নিয়মগুলো মুখস্থ করেছে; প্রতিটি পরিস্থিতির জন্য তার প্রস্তুত একটি নিয়ম আছে। End-to-end সিস্টেম অন্যদিকে পাশে বসে হাজার ঘণ্টা দেখা একজন অভিজ্ঞ চালক; কী কেন করছে তা সে হয়তো একে একে ব্যাখ্যা করতে পারে না, কিন্তু সঠিক চালটি অনুভব করে। নিউরাল নেটওয়ার্ক শুধু বস্তুগুলো কী তা নয়, মানব চালকরা সেগুলোতে কীভাবে প্রতিক্রিয়া দেখায় তাও শিখছে।
তাহলে নেটওয়ার্ক কীভাবে প্রশিক্ষিত হয়?
দুটি প্রধান পথ রয়েছে। প্রথমটি হলো অনুকরণ শিক্ষা (behavior cloning): নেটওয়ার্ক মানব চালকদের লক্ষ লক্ষ কিলোমিটারের আচরণ নকল করতে শেখে। সুন্দর পদ্ধতি, কিন্তু দুটি দুর্বলতা আছে - কোভেরিয়েন্স শিফট এবং কার্যকারণগত বিভ্রান্তি; অর্থাৎ নেটওয়ার্ক কোনটি সত্যিই গুরুত্বপূর্ণ তা ভুলভাবে শিখতে পারে। দ্বিতীয়টি হলো রিইনফোর্সমেন্ট লার্নিং: সিমুলেশনে ভুল-ভুল করে পুরস্কার দিয়ে নেটওয়ার্ককে প্রশিক্ষণ দেওয়া হয়। NVIDIA-র এই ক্ষেত্রে 2016 সালের DAVE-2 থেকে আজকের 1,000 TOPS পর্যন্ত চিপ ক্ষমতা দেওয়া DRIVE Thor পর্যন্ত একটি দীর্ঘ ইতিহাস রয়েছে; Wayve এবং Comma.ai-ও একই দর্শন অনুসরণকারী অন্য নামগুলো।
মডুলার, নাকি End-to-End? বাস্তব তুলনা
দুটি পদ্ধতিকে পাশাপাশি রাখলে চিত্রটি স্পষ্ট হয়ে ওঠে। End-to-end স্থাপত্যের গবেষকদের তালিকাভুক্ত সুবিধাগুলো হলো: ত্রুটি প্রসারণ কমে যাওয়া, গণনার দক্ষতা, প্রশিক্ষণের তুলনামূলক সহজতা এবং মজার ব্যাপার, আক্রমণ প্রতিরোধ ক্ষমতা - কোন নির্দিষ্ট ইনপুট সিস্টেমের ড্রাইভিং আচরণ ট্রিগার করেছে তা বাইরে থেকে জানা যায় না বলে অসৎ ম্যানিপুলেশনও কঠিন হয়ে যায়।
| বৈশিষ্ট্য | মডুলার স্থাপত্য | End-to-End স্থাপত্য |
|---|---|---|
| গঠন | উপলব্ধি → পূর্বাভাস → পরিকল্পনা → নিয়ন্ত্রণ আলাদা মডিউল | কাঁচা সেন্সর ডেটা থেকে নিয়ন্ত্রণ পর্যন্ত একক নিউরাল নেটওয়ার্ক |
| উন্নয়ন পদ্ধতি | হাতে লেখা নিয়ম + আলাদাভাবে প্রশিক্ষিত মডিউল | ডেটা থেকে শেখা (অনুকরণ/রিইনফোর্সমেন্ট লার্নিং) |
| স্বচ্ছতা | উচ্চ; প্রতিটি মডিউল আলাদাভাবে পরীক্ষা করা যায় | নিম্ন; সিদ্ধান্ত প্রক্রিয়া একটি ব্ল্যাক বক্স |
| ত্রুটি প্রসারণ | আছে; উপলব্ধির ত্রুটি চেইন ধরে বহন করা হয় | হ্রাসপ্রাপ্ত |
| ডেটার প্রয়োজন | প্রতি মডিউলে ক্ষেত্রবিশেষে বিশেষজ্ঞতা | অত্যন্ত বড় ডেটাসেট অপরিহার্য |
অন্য পক্ষের হাতে অবশ্য ভারী অস্ত্র হলো স্বচ্ছতা। মডুলার সিস্টেম আপনি অংশে অংশে পরীক্ষা করতে পারেন; কিন্তু নিউরাল নেটওয়ার্কের মাথার ভেতরে কী চলছে তা আপনি সর্বোচ্চ আংশিকভাবেই দেখতে পারেন। গবেষণা জগৎ এই সমালোচনার জবাবে অ্যাটেনশন ম্যাপ এবং ব্যাখ্যাযোগ্য আউটপুট দিয়ে আংশিক সমাধান বের করলেও, নিরাপত্তা সার্টিফিকেট বিষয়টিতে যুক্ত হলে প্রশ্নটি গভীর হয়ে ওঠে - এ বিষয়ে আমরা একটু পরেই আসব।
Tesla বনাম Waymo: একই লক্ষ্য, বিপরীত দর্শন
সেন্সর প্রশ্নে বিভাজন এই স্থাপত্য বিতর্কের সবচেয়ে দৃশ্যমান দিক। Tesla-র পদ্ধতি ক্যামেরা + নিউরাল নেটওয়ার্ক, LiDAR-হীন - তারা দাবি করে, বৈশ্বিক মাপকাঠিতে চলার জন্য এই পথই প্রয়োজনীয়। Waymo অন্যদিকে সম্পূর্ণ বিপরীত: তাদের সর্বশেষ যানে 13টি ক্যামেরা এবং 4টি LiDAR ইউনিট নিয়ে সেন্সরগুলোকে একত্রে স্তূপাকারে সাজানো একটি বহু-সেন্সর স্থাপত্য। Waymo সহ-সিইও Dmitri Dolgov স্পষ্টভাবে বলেছেন যে 2026 সালে ক্যামেরা-একক পদ্ধতি সম্পূর্ণ স্বয়ংক্রিয়তায় পৌঁছানোর আগেই স্থবির হয়ে গেছে, অর্থাৎ আটকে গেছে। Tesla পক্ষ অবশ্য দাবি করছে যে FSD-এর মাধ্যমে কোটি কোটি মাইল প্রমাণ তৈরি হয়েছে।
আসলে আভাস থেকে দেখলে চিত্রটা একটু বেশি ধূসর: জানা যাচ্ছে, Tesla ও Waymo সহ বহু প্রতিষ্ঠান বাস্তবে হাইব্রিড স্থাপত্য ব্যবহার করছে, অর্থাৎ নির্ধারক রুট পরিকল্পনা এবং নিউরাল নেটওয়ার্কভিত্তিক উপলব্ধি একসাথে কাজ করছে; Momenta এবং Aurora-ও এই তালিকায় উল্লেখ করা হচ্ছে। অর্থাৎ "সবকিছু একটি নেটওয়ার্কে নাকি সবকিছু আলাদা মডিউলে" - এই প্রশ্নের উত্তর মাঠের বাস্তব অভিজ্ঞতায় প্রায়ই "দুটোর সংমিশ্রণ" হয়। সেন্সর তুলনায় LiDAR কম আলো ও রাতের পরিস্থিতিতে শ্রেষ্ঠ; ক্যামেরা-একক সিস্টেমগুলো আবার শক্তি-দক্ষ এবং পূর্বে ম্যাপিং করার প্রয়োজন হয় না।
কালো বাক্স সমস্যা: ব্যাখ্যাযোগ্যতা এবং যাচাইযোগ্যতা
কারিগরিভাবে এই বিষয়ের সবচেয়ে গুরুত্বপূর্ণ অংশ এখানেই। অটোমোটিভ জগতের নিরাপত্তা মানগুলো - ASIL, ASPICE, AUTOSAR, MISRA - সিস্টেম কী করছে তা প্রয়োজনীয়তার ভিত্তিতে সংজ্ঞায়িত ও প্রমাণ করতে চায়। একটি এন্ড-টু-এন্ড নিউরাল নেটওয়ার্কে "গাড়ি এই পরিস্থিতিতে এই সিদ্ধান্ত নেবে" এমন একটি প্রয়োজনীয়তা সংজ্ঞায়িত করা ইতিমধ্যেই কঠিন; আর নিউরাল নেটওয়ার্কের আনুষ্ঠানিক যাচাই এখনও একটি অমীমাংসিত প্রকৌশল সমস্যা। অর্থাৎ নেটওয়ার্ক যত ভালোই চালাক, প্রকৌশলীদের প্রতিটি নিরাপত্তা প্রয়োজনীয়তা প্রমাণ করতে হলে তাদের হাতে যথেষ্ট উপায় নাও থাকতে পারে।
এর মূর্ত প্রতিফলন আমরা দায়দায়িত্বের ক্ষেত্রে দেখছি। Mercedes-Benz ঘোষণা করেছে যে তারা বিশ্বের প্রথম সার্টিফাইড লেভেল 3 সিস্টেম DRIVE PILOT-এর জন্য আইনি দায়িত্ব বহন করছে এবং জার্মান কর্তৃপক্ষের কাছ থেকে মহাসড়কে 95 km/s পর্যন্ত গতির অনুমোদন পেয়েছে - SAE J3016 স্তর অনুযায়ী লেভেল 3-এ দায়িত্ব চালক থেকে প্রস্তুতকারকের কাছে চলে যায়। এর কারণ আংশিকভাবে স্থাপত্য: মডুলার এবং স্পষ্টভাবে সংজ্ঞায়িত সীমানাযুক্ত একটি সিস্টেমে "এই পরিস্থিতিতে সিস্টেমই চালায়" বলে এর ওপর স্বাক্ষর করা যায়। একটি কালো বাক্স নেটওয়ার্কে একই স্বাক্ষর দেওয়া অনেক বেশি কঠিন। নতুন গবেষণার প্রবণতা হলো নিউরাল নেটওয়ার্কে দৃশ্য বোঝার ও যুক্তির স্তর যোগ করা বড় ভাষার মডেল এবং ভিজ্যুয়াল ভাষার মডেল - ব্যাখ্যাযোগ্যতার সমস্যার একটি সমাধান হিসেবে।
প্রতিশ্রুতি বনাম বাস্তবতা: আজকের অবস্থা কী?
এখান পর্যন্ত সবকিছুই উত্তেজনাবহ ছিল; এখন ঠান্ডা পানির ঝাপটা। Tesla FSD-এর প্রাতিষ্ঠানিক নামের দিকে তাকাই: FSD (Supervised). অর্থাৎ "সম্পূর্ণ স্বয়ংক্রিয় ড্রাইভিং" নাম বহনকারী সিস্টেমটি, প্রাতিষ্ঠানিক সংজ্ঞা অনুযায়ী, সম্পূর্ণ সতর্ক একজন চালকের সাথে ব্যবহারের জন্য ডিজাইন করা একটি উন্নত চালক সহায়তা সিস্টেম এবং এটি Tesla-কে সম্পূর্ণ স্বয়ংক্রিয় যানে পরিণত করে না। চালককে প্রতিটি মুহূর্তে হস্তক্ষেপের জন্য প্রস্তুত থাকতে হয় - SAE শ্রেণিবিন্যাসে এটি এখনও লেভেল 2 এলাকা। FSD v13-এর সাথে সিস্টেমটি পার্ক করা গাড়িতেও সক্রিয় করা যায় এবং পেছনে ব্যাক করাও এর অন্তর্ভুক্ত; সক্ষমতা বাড়ছে, কিন্তু শ্রেণিবিন্যাস বদলাচ্ছে না।
অন্যদিকে Waymo, 14টি মার্কিন শহরে বিস্তৃত রোবোট্যাক্সি পরিষেবার মাধ্যমে লেভেল 4 পরিচালনা বাস্তবে চালাচ্ছে। SAE-এর সাম্প্রতিক সংশোধনীও লেভেল 0-2-কে "ড্রাইভার সাপোর্ট সিস্টেম" এবং লেভেল 3-5-কে "অটোমেটেড সিস্টেম" হিসেবে নতুনভাবে নামকরণ করে জোর দিচ্ছে যে সম্পূর্ণ অটোমেশন অর্থাৎ লেভেল 5 এখনো অনেক দূরে। পুরো শিল্পখাতজুড়ে এটি হাইপের ঢেউ থেকে বাস্তব জগতে সরবরাহে উত্তরণের পর্যায়টিকে প্রতিফলিত করছে: লেভেল 2+ সিস্টেমগুলো ব্যাপকভাবে ছড়িয়ে পড়েছে, রোবট্যাক্সি নির্দিষ্ট শহরের মধ্যে সীমাবদ্ধ এবং লেভেল 5 সবার জন্য এখনো একটি লক্ষ্যই।
সংক্ষেপে: নিয়ম লেখা থেকে শেখায় উত্তরণ কতটা বদলে দিয়েছে?
সরাসরি উত্তরটি হলো: end-to-end আর্কিটেকচার অটোনোমাস ড্রাইভিংয়ে সিদ্ধান্ত নেওয়া সফটওয়্যারটিকে হাতে লেখা নিয়ম থেকে ডেটা থেকে শেখা একটি একক নিউরাল নেটওয়ার্কে নিয়ে গেছে; এতে আরও স্বাভাবিক ড্রাইভিং আচরণ এবং ক্রমহ্রাসমান ত্রুটি বিস্তার এসেছে, তবে ব্যাখ্যাযোগ্যতা, যাচাইযোগ্যতা এবং সার্টিফিকেশনের দিকে নতুন ও এখনো অমীমাংসিত চ্যালেঞ্জ তৈরি হয়েছে। Tesla এই বাজিতে সবচেয়ে আক্রমণাত্মক খেলোয়াড় এবং FSD v12-এর পর থেকে সিস্টেমটি সত্যিই অন্যরকম কিছু হয়ে উঠেছে - কিন্তু তত্ত্বাবধানহীন সম্পূর্ণ অটোনমি এখনো অর্পিত হয়নি। মডুলার পদ্ধতিও মঞ্চ থেকে নেমে যায়নি; Waymo-র সেন্সর স্ট্যাক ব্যবহার করে দায়িত্ব গ্রহণ করা লেভেল 3-4 সিস্টেমগুলো এই দর্শনে সার্টিফিকেশন পাচ্ছে। সম্ভবত ভবিষ্যতের বিজয়ী আর্কিটেকচার হবে দুই জগতের সেরাকে একত্রিত করা হাইব্রিড কাঠামো - এবং সেই প্রতিযোগিতা ঠিক এই মুহূর্তে চলছে।
সূত্রসমূহ
- 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