एंड-टू-एंड मॉडल ऑटोनॉमस ड्राइविंग को कैसे बदल रहे हैं?

जब आप किसी कार के खुद को चलाने की सोचते हैं, तो आपके दिमाग में क्या आता है? संभवतः सड़क पर लगाए गए दर्जनों सेंसर, विशाल नक्शे और हर स्थिति को पहले से नियम के रूप में लिखने वाले इंजीनियर, है ना? Tesla ने FSD संस्करण 12 के साथ इस तस्वीर को उलट दिया: अब हजारों हाथ से लिखे गए नियम नहीं हैं; कच्चा कैमरा वीडियो अंदर जाता है, स्टीयरिंग-ब्रेक-गैस कमांड बाहर आती है। तो किसी न्यूरल नेटवर्क को "गाड़ी चलाना सीखो" कहना वास्तव में क्या मतलब रखता है? यह बदलाव ऑटोनॉमस ड्राइविंग की दुनिया को कैसे बदल रहा है - और कहाँ अटक रहा है?
क्लासिक मॉड्यूलर आर्किटेक्चर: ड्राइवर असिस्टेंट के अंदर की फैक्ट्री लाइन
एंड-टू-एंड की बात करने से पहले पुराने ढांचे को समझना ज़रूरी है, क्योंकि आज सड़कों पर ज़्यादातर सिस्टम अभी भी इसी लॉजिक से काम करते हैं। मॉड्यूलर आर्किटेक्चर, ऑटोनॉमस ड्राइविंग सॉफ्टवेयर को एक फैक्ट्री लाइन की तरह स्थापित करता है: हर चरण अपना काम करता है और आउटपुट को अगले चरण को सौंप देता है। DARPA Grand Challenge के पहले विजेता वाहनों में से Cruise से लेकर Mobileye और ओपन सोर्स Autoware तक, इस दृष्टिकोण की गहरी विरासत है।
- पर्सेप्शन (अवधारणा): LiDAR, कैमरा और रडार डेटा संसाधित करके वस्तुओं का पता लगाया जाता है; YOLO और VoxelNet जैसे एल्गोरिद्म इस परत में काम करते हैं।
- प्रेडिक्शन (पूर्वानुमान): पैदल चलने वाले और अन्य वाहनों को उनके लघु और दीर्घकालिक पथों के साथ मॉडल किया जाता है।
- प्लानिंग (नियोजन): मार्ग A* या Dijkstra जैसे क्लासिक एल्गोरिद्म से और स्थानीय युक्तियाँ RRT जैसी विधियों से गणना की जाती हैं।
- कंट्रोल (नियंत्रण): आमतौर पर Model Predictive Controller (MPC) नियंत्रण में आता है और वाहन को भौतिक रूप से दिशा देता है।
इस संरचना का सबसे बड़ा फायदा पारदर्शिता है: आप हर मॉड्यूल को अलग-अलग परख सकते हैं और पता लगा सकते हैं कि किस चरण ने क्या गलत किया। लेकिन सबसे बड़ी कमज़ोरी भी यहीं छिपी है - त्रुटि प्रसार। अगर पर्सेप्शन मॉड्यूल किसी पैदल चलने वाले को गलत वर्गीकृत करता है, तो वह त्रुटि श्रृंखला के अंत तक पहुँच जाती है और प्लानिंग मॉड्यूल पहले से खराब डेटा के साथ निर्णय लेता है। इसके अलावा, हर मॉड्यूल को अलग से प्रशिक्षित करने के लिए गंभीर विशेषज्ञता और कंप्यूटिंग शक्ति चाहिए; चरणबद्ध प्रसंस्करण अपने आप में अक्षमता का स्रोत है।
मुख्य बातें
- Tesla FSD, संस्करण 12 के साथ (2024 की शुरुआत में ग्राहकों के लिए खोला गया) पूरी तरह से एंड-टू-एंड न्यूरल नेटवर्क आर्किटेक्चर पर चला गया; आज आप संस्करण v14 पर हैं।
- मॉड्यूलर आर्किटेक्चर में पर्सेप्शन, प्रेडिक्शन, प्लानिंग और कंट्रोल अलग मॉड्यूल हैं; एंड-टू-एंड में ये सब एक ही न्यूरल नेटवर्क में एकजुट हो जाते हैं।
- FSD का आधिकारिक नाम अभी भी FSD (Supervised) है: पूर्ण ऑटोनॉमस कार नहीं, बल्कि एक सहायक सिस्टम जिसके लिए लगातार सतर्क ड्राइवर की आवश्यकता होती है।
- एंड-टू-एंड की सबसे बड़ी समस्या व्याख्यात्मकता है: न्यूरल नेटवर्क का औपचारिक सत्यापन अभी भी एक अनसुलझी इंजीनियरिंग समस्या है।
एंड-टू-एंड दृष्टिकोण: हजारों नियमों की जगह लाखों उदाहरण

एंड-टू-एंड ड्राइविंग में विचार आश्चर्यजनक रूप से सरल है: आप कच्चा सेंसर डेटा - कैमरा, LiDAR, रडार, GPS - एक ही विशाल न्यूरल नेटवर्क को देते हैं और नेटवर्क से सीधे ड्राइविंग कमांड या ड्राइविंग प्लान प्राप्त करते हैं। पर्सेप्शन, प्रेडिक्शन और प्लानिंग अलग सॉफ्टवेयर होने से निकलकर एक ही प्रोग्राम के भीतर पिघल जाते हैं। Tesla इस रास्ते पर FSD v12 के साथ चला और 2024 की शुरुआत में ड्राइवरों के स्टीयरिंग पर अनुभव किया गया पहला end-to-end संस्करण सामने आया। आज यह सिस्टम v14 तक विकसित हो चुका है।
मैं इस अंतर को एक उपमा से समझाता हूँ: मॉड्यूलर सिस्टम एक ऐसा छात्र है जिसने ट्रैफ़िक के नियम रट लिए हैं; हर परिस्थिति के लिए उसके पास तैयार नियम होते हैं। End-to-end सिस्टम वहीं अनुभवी ड्राइवर है जिसके पास बैठकर आपने हज़ारों घंटे देखा है; वह शायद एक-एक करके नहीं बता सकता कि वह क्या और क्यों कर रहा है, लेकिन सही चाल का अहसास उसे होता है। न्यूरल नेटवर्क केवल वस्तुओं के क्या होने को ही नहीं, बल्कि इंसानी ड्राइवरों ने उन पर कैसे प्रतिक्रिया दी, यह भी सीखता है।
तो नेटवर्क को प्रशिक्षित कैसे किया जाता है?
दो मुख्य तरीके हैं। पहला अनुकरण अधिगम (behavior cloning): नेटवर्क इंसानी ड्राइवरों के लाखों किलोमीटर के व्यवहार की नकल करना सीखता है। अच्छी विधि है लेकिन इसकी दो कमियाँ हैं - कोवेरिएंस शिफ्ट और कारणात्मक उलझन; यानी नेटवर्क गलत तरीके से सीख सकता है कि वास्तव में क्या महत्वपूर्ण है। दूसरा पुनर्बलन अधिगम है: सिमुलेशन में प्रयास-विफलता के ज़रिए नेटवर्क को पुरस्कृत करके प्रशिक्षित किया जाता है। NVIDIA का इस क्षेत्र में 2016 के DAVE-2 से आज 1.000 TOPS तक चिप शक्ति देने वाले DRIVE Thor तक फैला इतिहास है; Wayve और Comma.ai भी वही दर्शन अपनाने वाले अन्य नाम हैं।
मॉड्यूलर बेहतर है या End-to-End? ठोस तुलना
जब हम दोनों दृष्टिकोणों को साथ-साथ रखते हैं तो तस्वीर स्पष्ट हो जाती है। End-to-end आर्किटेक्चर के शोधकर्ताओं द्वारा गिनाए गए फ़ायदे ये हैं: त्रुटि प्रसार का कम होना, गणना की दक्षता, प्रशिक्षण की तुलनात्मक आसानी और दिलचस्प रूप से हमलों के प्रति प्रतिरोध - चूँकि बाहर से पता नहीं चलता कि किस विशिष्ट इनपुट ने सिस्टम के ड्राइविंग व्यवहार को ट्रिगर किया, दुर्भावनापूर्ण हेरफेर भी कठिन हो जाता है।
| विशेषता | मॉड्यूलर आर्किटेक्चर | End-to-End आर्किटेक्चर |
|---|---|---|
| संरचना | धारणा → पूर्वानुमान → योजना → नियंत्रण अलग मॉड्यूल | कच्चे सेंसर डेटा से नियंत्रण तक एक ही न्यूरल नेटवर्क |
| विकास पद्धति | हाथ से लिखे नियम + अलग-अलग प्रशिक्षित मॉड्यूल | डेटा से सीखना (अनुकरण/पुनर्बलन अधिगम) |
| पारदर्शिता | उच्च; प्रत्येक मॉड्यूल का अलग से परीक्षण संभव | निम्न; निर्णय तंत्र एक ब्लैक बॉक्स |
| त्रुटि प्रसार | होता है; धारणा की त्रुटि पूरी श्रृंखला में आगे बढ़ती है | कम किया गया |
| डेटा की आवश्यकता | प्रत्येक मॉड्यूल के लिए क्षेत्रीय विशेषज्ञता | बहुत बड़ा डेटासेट अनिवार्य |
दूसरी ओर का भारी हथियार पारदर्शिता है। आप मॉड्यूलर सिस्टम को टुकड़ों-टुकड़ों में जाँच सकते हैं; जबकि न्यूरल नेटवर्क के दिमाग के अंदर क्या चल रहा है, वह आप केवल आंशिक रूप से ही देख सकते हैं। शोध जगत इस आलोचना का ध्यान-मानचित्रों और व्याख्या योग्य आउटपुट के साथ आंशिक उत्तर विकसित करती है, लेकिन जब सुरक्षा प्रमाणन की बात आती है तो मामला गहरा हो जाता है - हम इस पर थोड़ी देर में आएँगे।
Tesla बनाम Waymo: एक ही लक्ष्य, विपरीत दर्शन
सेंसर की ओर का विभाजन आर्किटेक्चर की बहस का सबसे दिखने वाला पहलू है। Tesla का दृष्टिकोण कैमरा + न्यूरल नेटवर्क है, LiDAR के बिना - वे दलील देते हैं कि वैश्विक स्तर पर मार्गदर्शन करने वाले सिस्टम के लिए यह रास्ता ज़रूरी है। Waymo ठीक उलटा है: अपने नवीनतम वाहन में 13 कैमरे और 4 LiDAR यूनिटों के साथ सेंसरों को एक के ऊपर एक रखने वाला बहु-सेंसर आर्किटेक्चर। Waymo के सह-CEO डिमित्री डॉल्गोव वह नाम हैं जिन्होंने खुलकर कहा कि 2026 में केवल-कैमरा दृष्टिकोण पूर्ण स्वायत्तता तक पहुँचने से पहले ही सपाट हो गया, यानी अटक गया। Tesla की ओर से यह दावा किया जा रहा है कि FSD के साथ अरबों मील का प्रमाण तैयार किया जा चुका है।
दरअसल, पर्दे के पीछे से देखने पर तस्वीर थोड़ी और ग्रे है: यह बताया जा रहा है कि Tesla और Waymo सहित कई खिलाड़ी व्यावहारिक रूप से हाइब्रिड आर्किटेक्चर का उपयोग कर रहे हैं, यानी नियतात्मक मार्ग योजना और न्यूरल नेटवर्क आधारित परसेप्शन का संगम; Momenta और Aurora भी इस सूची में गिने जाते हैं। यानी "सब कुछ एक नेटवर्क में या सब कुछ अलग मॉड्यूल में" वाले प्रश्न का उत्तर मैदानी व्यवहार में अधिकांश समय "दोनों का मिश्रण" होता है। सेंसर तुलना में LiDAR कम रोशनी और रात की परिस्थितियों में बेहतर है; वहीं केवल-कैमरा सिस्टम ऊर्जा-कुशल हैं और पूर्व-मैपिंग की आवश्यकता नहीं रखते।
ब्लैक बॉक्स समस्या: व्याख्या-योग्यता और सत्यापन-योग्यता
तकनीकी रूप से इस काम का सबसे निर्णायक हिस्सा यहीं है। ऑटोमोटिव दुनिया के सुरक्षा मानक - ASIL, ASPICE, AUTOSAR, MISRA - चाहते हैं कि सिस्टम क्या करता है, यह आवश्यकता-आधारित स्तर पर परिभाषित और सिद्ध किया जाए। एंड-टू-एंड न्यूरल नेटवर्क में "ऐसी स्थिति में कार ऐसा निर्णय लेगी" जैसी आवश्यकता परिभाषित करना पहले ही कठिन है; और न्यूरल नेटवर्क का औपचारिक सत्यापन अभी भी एक अनसुलझी इंजीनियरिंग समस्या है। यानी नेटवर्क चाहे कितना अच्छा ड्राइव करे, जब इंजीनियरों को हर सुरक्षा आवश्यकता सिद्ध करनी होती है, तो उनके पास पर्याप्त साधन नहीं हो पाते।
इसका ठोस रूप हम दायित्व के पक्ष में देखते हैं। Mercedes-Benz ने घोषणा की कि वह दुनिया के प्रमाणित पहले लेवल 3 सिस्टम DRIVE PILOT के लिए कानूनी दायित्व लेता है, और जर्मन प्राधिकरण से हाईवे पर 95 km/s गति तक की मंजूरी पाई - SAE J3016 स्तरों के अनुसार लेवल 3 में दायित्व ड्राइवर से निर्माता को चला जाता है। इसका कारण आंशिक रूप से आर्किटेक्चर है: एक मॉड्यूलर और स्पष्ट परिभाषित सीमाओं वाला सिस्टम ऐसी चीज़ है जिस पर "इन परिस्थितियों में सिस्टम चलता है" कहकर हस्ताक्षर किए जा सकते हैं। एक ब्लैक बॉक्स नेटवर्क पर वही हस्ताक्षर करना कहीं अधिक कठिन है। नया शोध रुझान न्यूरल नेटवर्क में सिन बोध और तर्क की परत जोड़ने वाले बड़े भाषा मॉडल और विज़ुअल लैंग्वेज मॉडल हैं - व्याख्या-योग्यता की समस्या का एक उत्तर देने के प्रयास के रूप में।
वादा और वास्तविकता: आज की स्थिति क्या है?
यहाँ तक सब कुछ रोमांचक था; अब ठंडी ड्यूश। आइए Tesla FSD के आधिकारिक नाम पर नज़र डालें: FSD (Supervised). यानी "पूर्ण स्वायत्त ड्राइविंग" नाम वहन करने वाला सिस्टम, अपनी आधिकारिक परिभाषा के अनुसार एक पूरी तरह सतर्क ड्राइवर के साथ उपयोग के लिए डिज़ाइन किया गया एक उन्नत ड्राइवर सहायता सिस्टम है और यह Tesla को पूर्ण स्वायत्त वाहन में नहीं बदलता। ड्राइवर को हर क्षण हस्तक्षेप के लिए तैयार रहना ज़रूरी है - SAE वर्गीकरण में यह अभी भी लेवल 2 क्षेत्र है। FSD v13 के साथ सिस्टम खड़े वाहन में सक्रिय किया जा सकता है और पीछे जाना भी शामिल है; क्षमताएँ बढ़ रही हैं, लेकिन वर्गीकरण नहीं बदल रहा।
दूसरी ओर Waymo, 14 अमेरिकी शहरों में स्केल होने वाली रोबोटैक्सी सेवा के साथ व्यावहारिक रूप से लेवल 4 संचालन चला रहा है। SAE की नवीनतम संशोधन भी लेवल 0-2 को "ड्राइवर सहायता प्रणालियाँ" और लेवल 3-5 को "स्वचालित प्रणालियाँ" कहकर नाम देते हुए ज़ोर देती है कि पूर्ण स्वचालन यानी लेवल 5 अभी भी दूर है। पूरे उद्योग में हाइप की लहर से वास्तविक दुनिया में तैनाती की ओर संक्रमण की अवधि झलकती है: लेवल 2+ प्रणालियाँ व्यापक हो चुकी हैं, रोबोटैक्सी कुछ विशेष शहरों तक सीमित हैं और लेवल 5 अभी भी सबके लिए एक लक्ष्य है।
संक्षेप में: नियम लिखने से सीखने की ओर संक्रमण ने कितना कुछ बदला?
सीधा जवाब यह है: end-to-end आर्किटेक्चर ने स्वायत्त ड्राइविंग में निर्णय लेने वाले सॉफ़्टवेयर को हाथ से लिखे गए नियमों से डेटा से सीखने वाले एक एकल न्यूरल नेटवर्क में बदल दिया; इससे अधिक स्वाभाविक ड्राइविंग व्यवहार और कम होती त्रुटि प्रसार मिला, लेकिन व्याख्या-योग्यता, सत्यापन-योग्यता और प्रमाणीकरण के मोर्चे पर नई और अभी तक अनसुलझी चुनौतियाँ पैदा हुईं। Tesla इस दांव पर सबसे आक्रामक खिलाड़ी है और FSD v12 के बाद सिस्टम वास्तव में कुछ अलग हो गया - लेकिन बिना पर्यवेक्षण वाली पूर्ण स्वायत्तता अभी भी प्रदान नहीं हुई है। मॉड्यूलर दृष्टिकोण भी मंच से उतरा नहीं है; Waymo के सेंसर स्टैक का उपयोग करने वाले, ज़िम्मेदारी लेने वाले लेवल 3-4 सिस्टम इसी दर्शन के साथ प्रमाणीकरण पा रहे हैं। संभवतः भविष्य की विजेता आर्किटेक्चर दोनों दुनियाओं के सर्वश्रेष्ठ को जोड़ने वाली हाइब्रिड संरचनाएँ होंगी - और वह दौड़ ठीक इस समय चल रही है।
स्रोत
- 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