سر و سامان دادن به رانندگی خودران چگونه مدل End-to-End را تغییر میدهد؟

وقتی فکر می کنید خودرویی خودش می راند، چه چیزی به ذهنتان می رسد؟ احتمالاً ده ها حسگر قرار گرفته روی جاده، نقشه های عظیم و مهندسانی که هر وضعیتی را از قبل به شکل قاعده نوشته اند، اینطور نیست؟ خب، تسلا با نسخه 12 FSD این تصویر را برعکس کرد: دیگر هیچ هزاران قاعده دست نویس در کار نیست؛ تصویر خام دوربین وارد می شود و فرمان فرمان-ترمز-گاز خارج می شود. پس گفتن "رانندگی یاد بگیر" به یک شبکه عصبی واقعاً چه معنایی دارد؟ این گذار دنیای رانندگی خودکار را چگونه تغییر می دهد - و کجا گیر می کند؟
معماری ماژولار کلاسیک: خط تولید درون دستیار راننده
پیش از صحبت درباره end-to-end، درک نظم قدیمی ضروری است، چون بیشتر سیستم های امروزی در جاده ها هنوز با همین منطق کار می کنند. معماری ماژولار، نرم افزار رانندگی خودکار را مانند یک خط تولید می سازد: هر مرحله کار خودش را انجام می دهد و خروجی را به مرحله بعدی می سپارد. این رویکرد پیشینه ای ریشه دار دارد؛ از کروز، موبایل آی و Autoware متن باز گرفته تا یکی از نخستین خودروهای برنده DARPA Grand Challenge.
- ادراک (Perception): داده های لایدار، دوربین و رادار پردازش شده و اشیا شناسایی می شوند؛ الگوریتم هایی مانند YOLO و VoxelNet در این لایه فعالیت می کنند.
- پیش بینی (Prediction): عابران پیاده و خودروهای دیگر با مسیرهای کوتاه مدت و بلندمدتشان مدل سازی می شوند.
- برنامه ریزی (Planning): مسیر با الگوریتم های کلاسیکی مانند A* یا Dijkstra و مانورهای محلی نیز با روش هایی مانند RRT محاسبه می شود.
- کنترل (Control): معمولاً کنترل کننده پیش بینی مدل (MPC) وارد عمل می شود و خودرو را به طور فیزیکی هدایت می کند.
بزرگ ترین مزیت این ساختار شفافیت است: می توانید هر ماژول را جداگانه آزمایش کنید و بفهمید هر مرحله چه چیزی را اشتباه انجام داده است. اما بزرگ ترین ضعف هم دقیقاً همین جا پنهان است - انتشار خطا. اگر ماژول ادراک یک عابر پیاده را اشتباه دسته بندی کند، آن خطا تا انتهای زنجیره منتقل می شود و ماژول برنامه ریزی با داده ای از پیش فاسد تصمیم می گیرد. علاوه بر این، آموزش جداگانه هر ماژول تخصص حوزه ای جدی و قدرت محاسباتی می طلبد؛ پردازش مرحله ای به خودی خود یک منبع ناکارآمدی است.
نکات برجسته
- تسلا FSD با نسخه 12 (که اوایل 2024 در اختیار مشتریان قرار گرفت) به طور کامل به معماری شبکه عصبی سرتاسری روی آورد؛ امروز در نسخه v14 هستید.
- در معماری ماژولار، ادراک، پیش بینی، برنامه ریزی و کنترل ماژول های جداگانه ای هستند؛ در end-to-end همه در یک شبکه عصبی واحد جمع می شوند.
- نام رسمی FSD هنوز FSD (Supervised) است: نه یک خودروی تمام خودکار، بلکه یک سیستم کمکی که نیازمند راننده ای همواره هوشیار است.
- بزرگ ترین مشکل end-to-end قابلیت تبیین است: راستی آزمایی صوری شبکه های عصبی همچنان یک مسئله مهندسی حل نشده است.
رویکرد End-to-End: به جای هزاران قاعده، میلیون ها نمونه

ایده در رانندگی end-to-end به طرز چشمگیری ساده است: داده خام حسگرها - دوربین، لایدار، رادار، GPS - را به یک شبکه عصبی عظیم واحد می دهید و مستقیماً از شبکه فرمان های رانندگی یا یک برنامه رانندگی دریافت می کنید. ادراک، پیش بینی و برنامه ریزی از نرم افزارهای جداگانه خارج شده و درون یک برنامه واحد ذوب می شوند. تسلا این مسیر را با FSD v12 آغاز کرد و در اوایل سال 2024 اولین نسخه سرتاسری که رانندگان پشت فرمان تجربه کردند پدید آمد. امروز این سیستم تا v14 تکامل یافته است.
بگذارید تفاوت را با یک تشبیه توضیح دهم: سیستم ماژولار مانند دانشآموزی است که قوانین ترافیک را حفظ کرده است؛ برای هر موقعیتی یک ق_rule آماده دارد. اما سیستم سرتاسری مانند راننده باتجربهای است که کنارش نشسته و هزاران ساعت او را تماشا کرده است؛ شاید نتواند توضیح دهد که چه کاری و چرا انجام میدهد، اما حرکت درست را حس میکند. شبکه عصبی نه تنها یاد میگیرد اشیا چه هستند ، بلکه یاد میگیرد رانندگان انسانی به آنها چگونه واکنش نشان میدهند.
پس شبکه چگونه آموزش داده میشود؟
دو راه اصلی وجود دارد. اولی یادگیری تقلیدی (cloning رفتاری) است: شبکه یاد میگیرد رفتار رانندگان انسانی را در میلیونها کیلومتر کپی کند. روش خوبی است اما دو ضعف دارد - شیفت کوواریانس و آشفتگی علّی؛ یعنی شبکه ممکن است اشتباه یاد بگیرد که واقعا چه چیزی مهم است. دومی یادگیری تقویتی است: شبکه در شبیهسازی با آزمون و خطا و از طریق پاداش گرفتن آموزش میبیند. NVIDIA در این زمینه سابقهای دارد که از DAVE-2 در سال 2016 تا DRIVE Thor امروز که تا 1.000 TOPS قدرت تراشه ارائه میدهد امتداد دارد؛ Wayve و Comma.ai نیز نامهای دیگری هستند که همین فلسفه را دنبال میکنند.
ماژولار بهتر است یا سرتاسری؟ مقایسه ملموس
وقتی دو رویکرد را کنار هم قرار میدهیم، جدول روشن میشود. مزایای معماری سرتاسری که پژوهشگران فهرست کردهاند عبارتند از: کاهش انتشار خطا، بهرهوری محاسباتی، سهولت نسبی آموزش و جالب اینکه مقاومت در برابر حمله - از آنجا که نمیتوان از بیرون فهمید کدام ورودی خاص رفتار رانندگی سیستم را فعال کرده، دستکاری مخ Karهانه نیز دشوارتر میشود.
| ویژگی | معماری ماژولار | معماری سرتاسری |
|---|---|---|
| ساختار | ادراک → پیشبینی → برنامهریزی → کنترل به صورت ماژولهای جدا | یک شبکه عصبی واحد از داده خام سنسور تا کنترل |
| روش توسعه | قوانین دستنویس + ماژولهای جداگانه آموزش دیده | یادگیری از داده (تقلیدی/تقویتی) |
| شفافیت | بالا؛ هر ماژول به طور جداگانه قابل آزمایش است | پایین؛ مکانیزم تصمیمگیری جعبه سیاه است |
| انتشار خطا | موجود؛ خطای ادراک در طول زنجیره منتقل میشود | کاهش یافته |
| نیاز به داده | تخصص حوزه برای هر ماژول | مجموعه داده بسیار بزرگ ضروری است |
اما سنگینترین برگ برنده طرف مقابل شفافیت است. میتوانید سیستم ماژولار را تکهتکه بازرسی کنید؛ اما آنچه در سر شبکه عصبی میگذرد را تنها تا حدی میتوانید ببینید. اگرچه دنیای پژوهش با نقشههای توجه و خروجیهای قابل تفسیر پاسخهای جزئی به این انتقاد داده است، وقتی گواهینامه ایمنی وارد ماجرا میشود مسئله عمیقتر میشود - به این موضوع به زودی خواهیم رسید.
تسلا و Waymo: یک هدف، دو فلسفه متضاد
تفکیک در سمت سنسورها چهرهترین وجه بحث معماری است. رویکرد تسلا دوربین + شبکه عصبی بدون LiDAR است - آنها استدلال میکنند که برای سیستمی که در مقیاس جهانی ناوبری میکند این مسیر ضروری است. اما Waymo کاملا برعکس است: در آخرین خودروی خود یک معماری چندسنسوری با انبوه سنسورها شامل 13 دوربین و 4 واحد LiDAR دارد. دمیتری دولگوف، هم-مدیرعامل Waymo، کسی که آشکارا گفت رویکرد تکدوربینی در 2026 پیش از رسیدن به خودران کامل به بنبست خورده، یعنی متوقف شده است. اما جبهه تسلا ادعا میکند که با FSD میلیاردها مایل شواهد تولید شده است.
در واقع اگر از پشت صحنه به ماجرا نگاه کنیم، تصویر کمی خاکستریتر است: اظهار میشود که بسیاری از بازیگران از جمله تسلا و Waymo عملاً از معماریهای هیبریدی استفاده میکنند، یعنی ترکیبی از برنامهریزی مسیر قطعی و ادراک مبتنی بر شبکه عصبی؛ Momenta و Aurora هم در این فهرست قرار دارند. پس پاسخ پرسش «همه چیز در یک شبکه است یا همه چیز در ماژولهای جدا؟» در عمل میدانی اغلب «ترکیبی از هر دو» است. در مقایسه حسگرها، LiDAR در نور کم و شرایط شب برتری دارد؛ اما سیستمهای تکدوربینی مصرف انرژی کمتری دارند و به نقشهبرداری قبلی نیازی ندارند.
مشکل جعبه سیاه: قابلیت توضیحپذیری و اثباتپذیری
از نظر فنی، حساسترین بخش ماجرا همینجاست. استانداردهای ایمنی دنیای خودروسازی - ASIL، ASPICE، AUTOSAR، MISRA - میخواهند رفتار سیستم بر مبنای الزامات تعریف و اثبات شود. در یک شبکه عصبی سرتاسری، تعریف الزامی به شکل «خودرو در این وضعیت این تصمیم را خواهد گرفت» از قبل دشوار است؛ و راستیآزمایی صوری شبکههای عصبی هنوز یک مسئله مهندسی حلنشده است. یعنی هر قدر هم شبکه خوب رانندگی کند، وقتی مهندسان باید هر الزام ایمنی را اثبات کنند، ممکن است ابزار کافی در دست نداشته باشند.
نمود عینی این موضوع را در بخش مسئولیت حقوقی میبینیم. مرسدس-بنز اعلام کرد که مسئولیت حقوقی DRIVE PILOT، نخستین سامانه سطح 3 دارای گواهی جهان را بر عهده میگیرد و از مرجع آلمان تأیید تا سرعت 95 کیلومتر بر ساعت در بزرگراهها دریافت کرد - بر اساس سطوح SAE J3016، در سطح 3 مسئولیت از راننده به سازنده منتقل میشود. دلیل آن تا حدی معماری است: یک سیستم ماژولار با مرزهای مشخص، چیزی است که میتوان دربارهاش گفت «در این شرایط سیستم رانندگی میکند» و روی آن امضا گذاشت. گذاشتن همان امضا روی یک شبکه جعبهسیاه بسیار دشوارتر است. روند پژوهشی جدید اما مدلهای زبانی بزرگ و مدلهای زبانی-تصویری است که لایه درک صحنه و استدلال را به شبکههای عصبی اضافه میکنند - بهعنوان تلاشی برای پاسخ به مشکل توضیحپذیری.
وعده در برابر واقعیت: وضعیت امروز چیست؟
تا اینجا همه چیز هیجانانگیز بود؛ حالا نوبت دوش آب سرد است. به نام رسمی Tesla FSD نگاهی بیندازیم: FSD (Supervised). یعنی سیستمی که نام «خودران کامل» را یدک میکشد، بنا بر تعریف رسمی، یک سیستم پیشرفته کمکراننده است که برای استفاده کاملاً با رانندهای هوشیار طراحی شده و تسلا را به خودرویی کاملاً خودران تبدیل نمیکند. راننده باید هر لحظه آماده مداخله باشد - در طبقهبندی SAE این هنوز در محدوده سطح 2 است. با FSD v13 سیستم میتواند در خودروی پارکشده فعال شود و حرکت به عقب نیز شامل میشود؛ قابلیتها در حال گسترشاند، اما طبقهبندی تغییر نمیکند.
در سوی دیگر، Waymo با سرویس رباتاکسی که در 14 شهر آمریکا گسترش یافته، عملاً عملیات سطح 4 را در دست اجرا دارد. بازنگری اخیر SAE هم سطح 0-2 را به «سیستمهای کمکراننده» و سطح 3-5 را به «سیستمهای خودکار» تغییر نام داده و تأکید میکند که اتوماسیون کامل، یعنی سطح 5، هنوز دور است. این وضعیت در کل صنعت، دوره گذار از موج هیجان به استقرار در دنیای واقعی را بازتاب میدهد: سیستمهای سطح 2+ فراگیر شدهاند، رباتکسیها به شهرهای مشخصی محدود هستند و سطح 5 هنوز برای همه یک هدف است.
بهطور خلاصه: گذار از نوشتن قوانین به یادگیری چه چیزی را تغییر داد؟
پاسخ مستقیم این است: معماری end-to-end، نرمافزار تصمیمگیرنده در رانندگی خودران را از قوانین دستنویس به یک شبکه عصبی واحد یادگیرنده از داده منتقل کرد؛ این امر رفتار رانندگی طبیعیتر و کاهش گسترش خطا را به همراه آورد، اما در جنبههای قابلیت توضیحپذیری، قابلیت راستیآزمایی و صدور گواهی چالشهای جدید و هنوز حلنشدهای ایجاد کرد. تسلا بازیگروارهترین بازیگری است که روی این شرط بسته و پس از FSD v12، سیستم واقعاً چیز متفاوتی شده است - اما خودران کامل بدون نظارت هنوز تحویل داده نشده است. رویکرد ماژولار نیز از صحنه خارج نشده است؛ سیستمهای سطح 3-4 که از دسته حسگرهای Waymo استفاده میکنند و مسئولیتپذیری را بر عهده میگیرند، با همین فلسفه گواهی میگیرند. احتمالاً معماری برنده آینده، ساختارهای هیبریدی خواهند بود که بهترین هر دو دنیا را ترکیب میکنند - و آن مسابقه دقیقاً همین الان در جریان است.
منابع
- 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