वर्षों से स्वायत्त ड्राइविंग को रोके रखने वाले कोने के मामले (Edge Cases)

एक स्वायत्त वाहन जब सड़क पर निकलता है, तो अपने जीवन का 99.9% समय एक ही काम करते हुए बिताता है: लेन में आगे बढ़ना, लाल बत्ती पर रुकना, सामने वाले वाहन से दूरी बनाए रखना। लेकिन असली सवाल यह है: बचे हुए उस छोटे-से हिस्से में, यानी लाखों किलोमीटर में एक बार घटित होने वाले उन अजीब पलों में क्या होता है? यही वे पल हैं जो स्वायत्त ड्राइविंग के "कल तैयार" वादे को टाल रहे हैं - और इस लेख में मैं बताऊंगा कि वे अभी तक क्यों हल नहीं हो पाए हैं।
एज केस क्या है, और लॉन्ग टेल कोई और चीज़ क्यों है?
पहले शब्दावली स्पष्ट कर लें, क्योंकि ये दो अवधारणाएँ अक्सर मिला दी जाती हैं। एज केस, एक स्वायत्त ड्राइविंग सिस्टम के प्रशिक्षण डेटा से बाहर रह जाने वाला दुर्लभ परिदृश्य है: राजमार्ग पर गिरी हुई सीढ़ी, ट्रैफिक पुलिस का असामान्य इशारा, असाधारण मौसम की स्थिति। इन्हें पहले से परिभाषित किया जा सकता है, कम से कम सैद्धांतिक रूप से।
लॉन्ग टेल एक अधिक भयावह अवधारणा है: उन सब चीज़ों का योग जिनके बारे में सोचने का भी आप विचार नहीं कर सकते। रात-दिन बदलते निर्माण स्थल, बारिश में एक पिकअप से लुढ़कता गद्दा, और पूँछ के अंत में वह परिदृश्य जिसे किसी ने समस्याओं की सूची में लिखने का ख्याल ही नहीं किया था। एज केस एक पहेली है, जबकि लॉन्ग टेल ऐसा बक्सा है जिसमें कितने टुकड़े हैं, आपको पता ही नहीं।
दुर्लभता की भी कई किस्में हैं। पहली है दुर्लभ वर्गें: गधा, एम्बुलेंस जैसी वस्तुएँ जो सड़कों पर शायद ही कभी दिखती हैं। दूसरी, और अधिक घातक, है दुर्लभ परिदृश्य: वस्तुएँ स्वयं बिल्कुल सामान्य हैं लेकिन उनकी व्यवस्था अजीब है - ट्रक के पीछे से अचानक निकला एक पैदल चलने वाला या सीढ़ी ले जाता साइकिल सवार। दूसरे प्रकार को खोजना कहीं अधिक कठिन है, क्योंकि सिस्टम में हर घटक पहले से परिभाषित है; समस्या उनके एक साथ आने में है।
विशेषज्ञ एज केस को चार मुख्य श्रेणियों में बाँटते हैं: पर्यावरणीय (मौसम, प्रकाश की स्थितियाँ), वस्तु-आधारित (दुर्लभ वस्तुएँ), व्यवहारिक (अप्रत्याशित सड़क उपयोगकर्ता) और सेंसर-विशिष्ट (हार्डवेयर खराबी, अंधे क्षेत्र)। हर श्रेणी अपने आप में एक सिरदर्द है; सब मिलकर यह समझाते हैं कि यह पूँछ इतनी लंबी क्यों है।
मुख्य बातें
- 99% सटीकता वाला एक सिस्टम लगभग हर 10,000 मील की ड्राइविंग में एक बार उस खतरनाक परिदृश्य से टकरा सकता है जिसे वह हल नहीं कर पाता।
- एक सामान्य डेटासेट में कारों के 493,322 एनोटेशन होते हुए भी एम्बुलेंस के एनोटेशन केवल 49 हैं।
- सबसे दुर्लभ 30 वस्तु वर्ग, सार्वजनिक रूप से उपलब्ध 344,966 फ्रेम के लेबल किए गए डेटा में प्रत्येक 250 बार से कम दिखते हैं।
- यदि स्वायत्त सिस्टम इंसानों की तरह चलते हैं, तो वे सभी दुर्घटनाओं में से केवल लगभग एक तिहाई को ही रोक पाएँगे।
आँकड़ों में दुर्लभता: यह पूँछ इतनी लंबी क्यों है?

दुर्लभता के पैमाने को समझने के लिए थोड़ी गणित चाहिए। 99% सटीकता सुनने में शानदार लगती है, है ना? लेकिन हिसाब लगाइए: इतनी सटीकता वाला एक सिस्टम 10,000 मील की ड्राइविंग में लगभग एक बार, उस खतरनाक परिदृश्य में फँस जाता है जिसे वह स्वयं हल नहीं कर सकता। रोज़मर्रा के उपयोग के लिए भी यह संख्या बहुत बड़ी है - पूर्ण स्वायत्तता के लिए तो आपदा के स्तर की, क्योंकि सुरक्षा की दहलीज अल्ट्रा-कम त्रुटि दर की माँग करती है।
डेटा की ओर का चित्र और भी चौंकाने वाला है। Mercedes-Benz और Esslingen विश्वविद्यालय के संयुक्त प्रयास से बनी SearchAD तुलना ने 11 ड्राइविंग डेटासेट से 423,798 फ़्रेमों की जांच की: 90 दुर्लभ श्रेणियाँ, 513,265 मैन्युअल लेबल। परिणाम? सबसे दुर्लभ 30 वर्गों में से प्रत्येक, 344,966 फ़्रेमों के सार्वजनिक रूप से उपलब्ध लेबल किए गए डेटा में 250 बार से कम दिखाई देता है। इन दुर्लभ मामलों को मैन्युअल रूप से खोजने का काम एक विशेषज्ञ फर्म में आठ महीने चला, प्रत्येक फ़्रेम पर औसतन एक मिनट से अधिक बिताया गया और प्रत्येक फ़्रेम की कम से कम दो बार समीक्षा की गई।
| ऑब्जेक्ट वर्ग | नमूना डेटासेट में एनोटेशन की संख्या |
|---|---|
| कार | 493,322 |
| बच्चों की गाड़ी | 1,072 |
| एम्बुलेंस | 49 |
यह तालिका दुनिया के स्वयं के विकृत स्वरूप को दिखाती है: कारें हर जगह हैं, एम्बुलेंस लगभग कहीं नहीं। और समस्या केवल खोज की नहीं है; लेबल-आधारित खोज केवल पूर्व-परिभाषित वर्ग ही लौटाती है। यदि किसी ने बारिश में कचरा बैग पहने एक पैदल यात्री को लेबल नहीं किया, तो उस डेटा को खोजने वाला कोई भी क्वेरी उसे नहीं ढूंढ पाएगी। सामूहिक सफलता मेट्रिक्स भी दुर्लभ वर्गों में हुई गिरावट को मजबूत समग्र स्कोर के अंदर छिपा सकते हैं।
क्या हम और अधिक डेटा इकट्ठा नहीं कर सकते?
जवाब ज़बरदस्त बहुमत से नहीं है, और इसका कारण एक वाक्य की सच्चाई है: डेटा की विकृति दुनिया की विकृति है। सड़कों से एकत्र किया गया ड्राइविंग डेटा ज़बरदस्त बहुमत से साधारण व्यवहारों से भरा है - लेन ट्रैकिंग, ट्रैफिक लाइटों का पालन, सीधी सड़क। डेटासेट को दोगुना करने पर आप बड़े पैमाने पर दोगुने साधारण उदाहरण जोड़ देते हैं; दुर्लभ वाले कतार के भीतर और भी गहरे दब जाते हैं। यह क्लासिक घटते प्रतिफल की समस्या है: प्रोसेसिंग शक्ति और डेटा को स्केल करना, अल्ट्रा-लो एरर रेट पर पर्याप्त उत्पादकता नहीं देता।
तो क्या हम दुर्लभ परिदृश्यों को स्टेज पर फिर से बनाएँ? यहाँ दूसरी दीवार है: दुर्लभ मामलों में से अधिकांश खतरनाक या असंभव हैं। ट्रक के पीछे से निकलने वाले एक पैदल यात्री को कोरियोग्राफी में ढालने की कल्पना भी न करें। इसके अलावा कतार ओपन-एंडेड है - इसका अंतिम बिंदु नहीं है, यानी "हमने सब कुछ पूरा कर लिया" कहने वाला कोई क्षण कभी नहीं आता।
सिमुलेशन इसीलिए एक उत्कृष्ट सहायक है लेकिन उद्धारकर्ता नहीं। असली सड़क पर कोई भी संख्या के परीक्षण अकेले सुरक्षा की गारंटी नहीं दे सकते; और कृत्रिम रूप से दुर्लभ घटनाएँ उत्पन्न करना भी अपने आप में एक कठिन इंजीनियरिंग समस्या है। Waymo का दृष्टिकोण यहाँ उल्लेखनीय है: टीम असली दुनिया में घातक परिणामों वाले टक्कर के परिदृश्यों को फिर से तैयार करती है और Waymo Driver को टक्कर शुरू करने वाले वाहन की जगह रखती है। सिमुलेशन में, उसने सभी टक्करों से बचा। प्रभावशाली - लेकिन इसका मतलब परिभाषित परिदृश्यों पर सफल होना है, कतार के पूरे को समाप्त करना नहीं।
निर्माता इसी समस्या से कैसे निपट रहे हैं?
Mobileye: असफलता का शिकार करने वाली कृत्रिम बुद्धिमत्ता
Mobileye ने 2026 में पेश किए गए दो उपकरण, समस्या का एक व्यवस्थित समाधान लाते हैं। Meteor नामक मल्टी-एजेंट एआई डेटा विश्लेषक, विज़ुअल-लैंग्वेज मॉडल एम्बेडिंग और स्वचालित तर्क का उपयोग करके लाखों घंटों के ड्राइविंग वीडियो को स्कैन करता है। जो वह खोज रहा है वह दिलचस्प है: काले हंस कहे जाने वाले अकेले चमत्कार नहीं, बल्कि दोहराए जा सकने वाली विफलताएँ - आंशिक रूप से छिपे हुए पैदल चलने वाले, अस्पष्ट सड़क उपयोगकर्ता जैसे दोहराए जाने वाले पैटर्न। खोज, परिकल्पना, परिदृश्य पूछताछ, सत्यापन और प्रशिक्षण डेटा की श्रृंखला स्वचालित रूप से संसाधित होती है। दोस्त सिस्टम Genario हर सत्यापित विफलता को फोटो-वास्तविक सिंथेटिक परिदृश्य में बदलकर रात/दिन, बारिश, बर्फ, बर्फ़ीला, कोहरे की विविधताओं के साथ गुणा करता है। इन सबके पीछे 25 साल से अधिक का अनुभव, 230 मिलियन से अधिक वाहन और प्रतिदिन 80 लाख वाहनों से आने वाला डेटा अपलोड है।
Waymo: सीमित क्षेत्र, सख्त नियम
Waymo की रणनीति कतार को छोटा करने के बजाय उस क्षेत्र को छोटा करने की है जहाँ कतार प्रवेश कर सके। Operational Design Domain (ODD) कहा जाने वाला परिचालन डिज़ाइन क्षेत्र; भूगोल, सड़क के प्रकार, गति सीमा, मौसम और दिन के समय से परिभाषित होता है। कंपनी के नियामक दस्तावेज़ों के अनुसार लक्षित क्षेत्र में 65 mph तक की गति सीमा वाली सड़कें शामिल हैं। वाहन पूर्ण स्वायत्त रूप से चलते हैं; दूर स्थित मानव ऑपरेटर वाहन को जॉयस्टिक से नहीं चलाते, केवल उच्च स्तरीय मार्गदर्शन देते हैं। अक्टूबर 2026 में अप्रत्याशित स्थितियों की तैयारी के लिए घटना प्रबंधन अभ्यासों पर एक नया ढाँचा भी जारी किया। प्रबंधन पक्ष का संदेश स्पष्ट है: स्वायत्त वाहन दुर्घटनाओं को नाटकीय रूप से कम कर सकते हैं लेकिन 100% तक नहीं पहुँचा सकते और इस विषय पर खुलकर, ईमानदारी से बात करनी चाहिए। कंपनी का डेटा दिखाता है कि उनके रोबोटैक्सियों की प्रति मिलियन मील दुर्घटनाओं की संख्या पिछले वर्षों की तुलना में कहीं अधिक कम है। एक अन्य अवलोकन यह है कि ODD परिभाषाओं और सुरक्षा अवधारणाओं को कई शहरों में फिर से इस्तेमाल किया जा सकता है - यह लचीलापन क्षेत्र की सीमाओं पर भी सवाल उठाता है।
Tesla और NVIDIA: दो अलग दाँव
Tesla ने दाँव लगाया है कि लाखों वाहनों और अरबों मील का वास्तविक दुनिया का डेटा समय के साथ कतार को रोशन करेगा। Full Self-Driving (Supervised) संस्करणों में उपयोगकर्ता कम हस्तक्षेप की रिपोर्ट करते हैं और कंपनी के अनुसार FSD, मानवीय त्रुटि से होने वाली टक्कर की संभावना को 80% से अधिक कम करता है - लेकिन यह कंपनी का अपना डेटा है और स्वतंत्र सत्यापन की कमी विवादास्पद है; Tesla ने कोई आधिकारिक डिसएंगेजमेंट (disengagement) डेटा जारी नहीं किया है। उपयोगकर्ता रिपोर्ट भी, हालाँकि केवल अनुभवजन्य स्तर पर हैं, संकेतों से भरी हुई हैं: लेन बदलते एक ट्रक के सामने सिस्टम से अलग होने की मजबूरी, या बाईं लेन में खड़े निर्माण ट्रक की ओर तेज़ गति से बढ़ता एक सिस्टम।
NVIDIA उलटी दिशा में देख रहा है: सिमुलेशन और सामान्यीकरण योग्य बुद्धिमत्ता के साथ अज्ञात स्थितियों पर तर्क चलाना। Alpamayo-R1 परियोजना ने दिखाया कि तर्क डेटा से प्रशिक्षित मॉडल ने कठिन मामलों में योजना की सटीकता को 12% तक सुधारा और निकट टक्करों को 35% कम किया। दोनों दर्शनें - ठीक Mobileye की परिकल्पना-निर्देशित डेटा खनन और Wayve के एंड-टू-एंड आर्टिफिशियल इंटेलिजेंस दृष्टिकोण की तरह - अभी तक निश्चित समाधान के रूप में सिद्ध नहीं हुई हैं। किसी ने कतार का अंत नहीं देखा।
रिमोट मानव हस्तक्षेप: सुरक्षा जाल या कमज़ोरी?
रोबोटैक्सी कंपनियों की व्यावहारिक गारंटी टेलीऑपरेशन है: सिस्टम के दबाव में आने या खराब होने पर दूर से एक इंसानी ऑपरेटर का हस्तक्षेप करना। एक अमेरिकी सीनेट सुनवाई ने उजागर किया कि रोबोटैक्सी कंपनियां ठीक इसी पर निर्भर हैं। Cruise की रोबोटैक्सियों को दूर के ऑपरेटरों से बार-बार हस्तक्षेप की ज़रूरत पड़ने के बारे में उद्योग के भीतर एक धारणा पहले से ही मौजूद थी।
लेकिन इस सुरक्षा जाल में एक सीढ़ी है। Waymo मॉडल में दूर का ऑपरेटर केवल उच्च-स्तरीय मार्गदर्शन देता है; वह स्टीयरिंग अपने हाथ में नहीं लेता। Tesla के Austin रोबोटैक्सी लॉन्च में बताया गया कि दूर से सहायता करने वाले कर्मचारी 2 mph और उससे कम गति पर अस्थायी नियंत्रण ले सकते हैं और वाहन को दूर से चला सकते हैं, और एक राज्य परिवहन विभाग की 2025 की रिपोर्ट दर्ज करती है कि Tesla ने दुर्लभ एज केस और चुनौतीपूर्ण वातावरणों के लिए रिमोट ऑपरेशन अपनाया है। कम लेटेंसी वाले 5G और 6G कनेक्शन इन मॉडलों को तकनीकी रूप से संभव बनाते हैं। सवाल यह है: क्या सिस्टम के हल न कर पाने वाले परिदृश्यों को इंसान का हल करना वास्तव में एक समाधान है, या हम समस्या को एक अदृश्य कतार में धकेल रहे हैं?
वादे और हकीकत के बीच कानून क्या कहता है?
यहां मामला गंभीर हो जाता है, क्योंकि एक दुर्लभ एज केस में हुआ दुर्घटना केवल तकनीकी ही नहीं बल्कि एक कानूनी सवाल भी खड़ा करती है। अमेरिका में NHTSA ने अप्रैल 2026 में ऑटोनॉमस ड्राइविंग सिस्टम नियमों में एक अपडेट जारी किया। कानूनी मोर्चे पर एक दिलचस्प अंतर है: वाहन का सुरक्षा मानकों के अनुरूप होना उसे दोषरहित नहीं बनाता; लापरवाही का दावा पूरी तरह अलग कानूनी रास्ता है और वादी वकील ठीक यहीं खेलते हैं। टेक्सास में तैयार एक कानूनी गाइड के अनुसार, मुकदमों में इस्तेमाल होने वाला तर्क कंपनी के वादे और कार के वास्तव में किए गए व्यवहार के बीच का अंतर है। Brookings द्वारा उठाए गए तकनीकी जोखिम को भी उसी बिंदु से जोड़ा जाता है: पर्सेप्शन और प्रेडिक्शन सिस्टम में अप्रत्याशित त्रुटियां वाहन के गलत समय पर गलत काम करने का कारण बन सकती हैं।
SAE के J3016 मानक के स्तर भी वादे की वास्तविकता को सामने रखते हैं। लेवल 0 से लेवल 5 तक फैले पैमाने पर, सड़कों पर वाहनों की विशाल बहुमत अभी भी लेवल 1 या लेवल 2 पर है। लेवल 3 जिम्मेदारी को ड्राइवर से निर्माता की ओर खिसकाने वाला एक बड़ा बोझ परिवर्तन पैदा करता है। लेवल 5 के बारे में कुछ विशेषज्ञों जैसा सोचा जाता है: जहां इंसान चला सकता है, वहां हर जगह काम करने वाले वाहन कभी अस्तित्व में नहीं आएंगे। 2026 का एक वैज्ञानिक पेपर भी यह तर्क देते हुए कि मौजूदा स्तर वास्तविक दुनिया की क्षमता को दर्शाते हैं, वातावरण और परिस्थिति आधारित एक अतिरिक्त वर्गीकरण का प्रस्ताव रखता है।
क्या कतार खत्म की जा सकती है? ईमानदार जवाब
मैं तुम्हें सबसे साफ रूप में बता दूं: एज केस वे अत्यंत दुर्लभ परंतु अप्रत्याशित परिदृश्य हैं जो ऑटोनॉमस ड्राइविंग के वादे किए गए पूर्ण ऑटोनॉमी तक पहुंचने में देरी करते हैं; न अनंत डेटा एकत्र करना और न ही सिमुलेशन इस खुले-सिरे की कतार को अकेले खत्म कर सकता है। आशावादी पक्ष के पास वास्तविक दुर्घटनाएं हैं: Waymo के आंकड़े दिखाते हैं कि प्रति मिलियन मील दुर्घटनाओं की संख्या वास्तव में घटी है और Mobileye का सिंथेटिक परिदृश्य निर्माण कतार को व्यवस्थित रूप से संकुचित कर रहा है। निराशावादी पक्ष के पास भी तथ्य हैं: इंसानों की तरह गाड़ी चलाने पर आप दुर्घटनाओं का केवल लगभग एक तिहाई हिस्सा ही रोक पाएंगे; कुछ सुरक्षा संस्थाओं के अनुसार बिना ड्राइवर वाली तकनीक अभी तक नहीं आई है, बुनियादी कार्यों में अब भी नियमित रूप से विफलताएं होती हैं। और अगली बहस पहले से ही दरवाजे पर खड़ी है: अगर हम किसी तरह किनारे के मामलों (edge cases) को हल कर देते हैं, तो इस बार हम सामान्य-प्रयोजन वाले एआई मॉडलों की सटीकता की गारंटी कैसे देंगे?
मेरी समझ यह है: स्वायत्त ड्राइविंग कोई दौड़ नहीं है, यह एक बेल्ट से छँटाई का काम है। हर दिन हजारों किलोमीटर बिना किसी समस्या के तय करना किसी को प्रभावित नहीं करता; फर्क डालने वाली चीज़ यह है कि करोड़ों मील में एक बार आने वाले उस अजीब पल में आप क्या करते हैं। और उस पल में आप क्या करेंगे, यह उस दिन से ज्ञात नहीं होता जब आप उस परिदृश्य की कल्पना करते हैं। आपके अनुसार क्या रोबोटैक्सियां इस कतार को हरा पाएंगी, या वे हमेशा एक कदम आगे भागती रहेंगी? मैं टिप्पणियों में आपकी राय जानना चाहता हूं।
स्रोत
- Diagnosing the long tail: how Mobileye turns edge cases into targeted training (Mobileye Blog)
- Why AV Models Miss Rare Edge Cases (and How to Find Them) | Voxel51
- Edge Cases in Autonomous Driving: Detection and Handling Guide | Kognic
- Waymo simulated driving behavior in reconstructed fatal crashes (Scanlon et al., 2021, ScienceDirect)
- Preparing for the Unexpected: A New Framework for AV Incident Management Exercises (Waymo Blog, Oct 2026)
- Full Self-Driving (Supervised) Vehicle Safety Report (Tesla)
- Solving the long-tail with e2e AI (Wayve)
- SAE Levels of Driving Automation (SAE International)
- Self-driving vehicles could struggle to eliminate most crashes (IIHS)
- STATE DOT Policy and Regulatory Approaches (NCDOT, 2025)