Otomobilgi.comOtomobilgi.com
  • Türkçe
  • English
  • Deutsch
  • Français
  • Italiano
  • Español
  • Português
  • Polski
  • Magyar
  • Azərbaycanca
  • Bahasa Indonesia
  • Русский
  • 中文
  • 日本語
  • 한국어
  • हिन्दी
  • Tiếng Việt
  • ไทย
  • বাংলা
  • العربية
  • فارسی
  • Türkçe
  • English
  • Deutsch
  • Français
  • Italiano
  • Español
  • Português
  • Polski
  • Magyar
  • Azərbaycanca
  • Bahasa Indonesia
  • Русский
  • 中文
  • 日本語
  • 한국어
  • हिन्दी
  • Tiếng Việt
  • ไทย
  • বাংলা
  • العربية
  • فارسی
  • FŐOLDAL
  • HÍREK
    Törökországi Autóipari Hírek
    Globális automobilipari hírek
    Törökországi motorsport hírek
    Globális Motorsport Hírek
  • AUTÓK
    BELSŐ ÉGÉSŰ MOTOR
    • Belső égésű modellek
    • Belső égésű motor technológiák
    • Üzemanyag és fogyasztás
    • Kibocsátás és Környezet
    • Belső égésű motor tulajdonjoga
    • Belső égésű autómobilok története
    ELEKTROMOS
    • Elektromos modellek
    • Villanyautó-technológiák
    • Töltés és infrastruktúra
    • Akkumulátortechnológia
    • Hatótávolság és fogyasztás
    • Elektromos tulajdonlás
    • Elektromos autók története
    HIBRID
    • Hibrid modellek
    • Hibrid rendszerek
    • Akkumulátor és töltés
    • Fogyasztás és Hatékonyság
    • Hibrid tulajdonlás
    • Hibrid autó története
    SUPERCAR
    HYPERCAR
  • TECHNOLÓGIA
    Vezetőtámogató rendszerek
    Biztonsági technológiák
    Világítási és Látási Technológiák
    Infotainment és kapcsolat
    Önvezető üzemmód és a mesterséges intelligencia
    A Jövő Technológiái
  • ÚTMUTATÓK
    Vásárlási útmutatók
    Értékesítési útmutatók
    Karbantartás és használat
    Tulajdonjog és költségek
    Gumi és Felni
    Biztosítás és műszaki vizsga
  • TÖRTÉNELEM & KULTÚRA
    Autótörténelem
    Ikonikus Modellek
    Klasszikusok és Gyűjtemények
    Törökország autóipari története
    Autótervezés
    Az autó és a populáris kultúra
  • MOTORSPORT
    Formula 1
    Rali (WRC)
    Rallykrossz
    MotoGP
    Formula 2 & Formula 3
    Kartozás
    Le Mans-i 24 Órás
    WEC
    NASCAR
    IndyCar
    DTM
    GT Versenyek
    Drift
    Drag Versenyek
  • ISMERJEN MEG MINKET
    RÓLUNK
    KAPCSOLAT
  • Türkçe
  • English
  • Deutsch
  • Français
  • Italiano
  • Español
  • Português
  • Polski
  • Magyar
  • Azərbaycanca
  • Bahasa Indonesia
  • Русский
  • 中文
  • 日本語
  • 한국어
  • हिन्दी
  • Tiếng Việt
  • ไทย
  • বাংলা
  • العربية
  • فارسی
  • Türkçe
  • English
  • Deutsch
  • Français
  • Italiano
  • Español
  • Português
  • Polski
  • Magyar
  • Azərbaycanca
  • Bahasa Indonesia
  • Русский
  • 中文
  • 日本語
  • 한국어
  • हिन्दी
  • Tiếng Việt
  • ไทย
  • বাংলা
  • العربية
  • فارسی
  1. FŐOLDAL
  2. TECHNOLÓGIA
  3. Önvezető üzemmód és a mesterséges intelligencia
  4. Hogyan változtatja meg a végpontól végpontig terjedő modell az autonóm vezetést?

Hogyan változtatja meg a végpontól végpontig terjedő modell az autonóm vezetést?

  • Autonóm vezetés és mesterséges intelligencia
  • Szerző: Lütfi Mete Odabaşı
  • Létrehozás: 4 november 2026
A Tesla FSD v12-vel véget ért az az önvezető vezetés korszaka, amelyben a mérnökök szabályról szabályra diktálták a viselkedést; a neurális hálózat már közvetlenül a nyers kameraképből hoz kormányzati döntést.
A Tesla FSD v12-vel véget ért az az önvezető vezetés korszaka, amelyben a mérnökök szabályról szabályra diktálták a viselkedést; a neurális hálózat már közvetlenül a nyers kameraképből hoz kormányzati döntést.

Mit gondol, mi jut eszébe, amikor azt képzelje el, hogy egy autó önmagát vezeti? Valószínűleg tucatnyi érzékelő az útra helyezve, hatalmas térképek és olyan mérnökök, akik minden helyzetet előre szabályként leírtak, nem igaz? Nos, a Tesla az FSD 12-es verziójával ezt a képet fordította a feje tetejére: már nincsenek ezernyi kézzel írt szabály; nyers kamerakép megy be, és kormány-fék-gáz parancs jön ki. De mit jelent valójában azt mondani egy neurális hálózatnak, hogy "tanuld meg a vezetést"? Ez az átállás hogyan változtatja meg az önvezető vezetés világát - és hol akad el?

Klasszikus Moduláris Architektúra: Gyártósor a vezetést segítő asszisztensben

Az end-to-end megoldásról szóló beszéd előtt tisztában kell lenni a régi rendszersémával, mert az utakon ma is a legtöbb rendszer ezzel a logikával működik. A moduláris architektúra az önvezető vezetés szoftverét úgy építi fel, mint egy gyártósort: minden szakasz a saját feladatát végzi, és a kimenetét átadja a következőnek. A DARPA Grand Challenge első nyertes járműveitől a Cruise-on, a Mobileye-n és a nyílt forráskódú Autoware-en át ez a megközelítés mélyen gyökerező múlttal rendelkezik.

  • Észlelés (Perception): a LiDAR, kamera és radar adatokat feldolgozzák, és észlelik az objektumokat; olyan algoritmusok, mint a YOLO és a VoxelNet, ebben a rétegben dolgoznak.
  • Jóslás (Prediction): A gyalogosokat és a többi járművet rövid és hosszú távú pályájukkal modellezik.
  • Tervezés (Planning): Az útvonalat klasszikus algoritmusokkal, például A*-tal vagy Dijkstrával számítják ki, a helyi manővereket pedig olyan módszerekkel, mint az RRT.
  • Vezérlés (Control): Általában a Model Predictive Controller (MPC) lép működésbe, és fizikailag irányítja a járművet.

E felépítés legnagyobb előnye az átláthatóság: minden modult külön-külön tesztelhet, és megtudhatja, melyik szakasz mit csinált rosszul. De a legnagyobb gyengeség is pontosan itt rejlik - a hibaterjedés. Ha az észlelő modul rosszul osztályoz egy gyalogost, a hiba a lánc végéig továbbítódik, és a tervező modul már romlott adatok alapján hoz döntést. Ráadásul minden modul külön tanítása komoly szakterületi tudást és számítási teljesítményt igényel; a szakaszos feldolgozás önmagában is hatékonysághiány forrása.

A legfontosabbak

  • A Tesla FSD a 12-es verzióval (2024 elején vált elérhetővé az ügyfeleknek) teljesen végponttól végpontig terjedő neurális hálózati architektúrára váltott; ma a v14-es verziónál tartunk.
  • A moduláris architektúrában az észlelés, jóslás, tervezés és vezérlés külön modulok; az end-to-end megoldásban mindegyik egyetlen neurális hálózatban egyesül.
  • Az FSD hivatalos neve továbbra is FSD (Supervised): nem teljesen önvezető autó, hanem olyan támogató rendszer, amely folyamatosan figyelmes vezetőt igényel.
  • Az end-to-end legnagyobb problémája a magyarázhatóság: a neurális hálózatok formális validálása továbbra is megoldatlan mérnöki probléma.

Végponttól Végpontig (End-to-End) Megközelítés: Ezernyi Szabály Helyett Millió Példa

Binlerce elle kodlanmış kuralı ezberleyen sistem yerine, milyonlarca sürüş örneğinden öğrenen tek bir sinir ağı direksiyona geçiyor.

Az end-to-end vezetésben az elképzelés meglepően egyszerű: a nyers érzékelő adatokat - kamera, LiDAR, radar, GPS - egyetlen hatalmas neurális hálózatba táplálja, és a hálózattól közvetlenül vezetési parancsokat vagy vezetési tervet kap. Az észlelés, jóslás és tervezés megszűnik külön szoftvernek lenni, és egyetlen programba olvad össze. Tesla ezen az úton a FSD v12-vel kezdte, és 2024 elején megjelent az első end-to-end verzió, amelyet a sofőrök a volánnál tapasztalhattak meg. Ma a rendszer a v14-ig fejlődött.

Hadd meséljem el a különbséget egy hasonlattal: a moduláris rendszer egy olyan diák, aki fejből tudja a közlekedési szabályokat; minden helyzetre van egy kész szabálya. Az end-to-end rendszer pedig egy tapasztalt sofőr, akinek mellett ülve több ezer órán át figyelted; esetleg nem tudja lépésről lépésre megmagyarázni, mit és miért tett, de érzi a helyes mozdulatot. A neurális hálózat nemcsak azt tanulja meg, hogy az objektumok mik azok, hanem azt is, hogy az emberi sofőrök hogyan reagálnak rájuk.

És Hogyan Tanítják a Hálózatot?

Két fő út létezik. Az első az utánzó tanulás (viselkedés-klónozás): a hálózat megtanulja lemásolni az emberi sofőrök millió kilométernyi viselkedését. Szép módszer, de két gyengesége van - a kovariancia-eltolás és az oksági zavar; vagyis a hálózat rosszul tanulhatja meg, mi az, ami valóban fontos. A második az megerősítéses tanulás: szimulációban próbálkozás és hibázás révén jutalmazással képzik ki a hálózatot. Az NVIDIA e téren olyan múlttal rendelkezik, amely a 2016-os DAVE-2-től napjainkig a 1.000 TOPS-ig terjedő chip-teljesítményt nyújtó DRIVE Thor-ig ível; a Wayve és a Comma.ai más nevek, amelyek ugyanezt a filozófiát követik.

Moduláris vagy End-to-End? Konkrét Összehasonlítás

Amikor a két megközelítést egymás mellé tesszük, a kép tisztul. Az end-to-end architektúra kutatók által felsorolt előnyei a következők: a hibaterjedés csökkenése, a számítási hatékonyság, a képzés viszonylagos egyszerűsége és érthetetlen módon a támadásokkal szembeni ellenállás - mivel kívülről nem lehet tudni, mely konkrét bemenet váltja ki a rendszer vezetési viselkedését, a rosszindulatú manipuláció is nehezebbé válik.

JellemzőModuláris ArchitektúraEnd-to-End Architektúra
FelépítésÉszlelés → predikció → tervezés → vezérlés, külön modulokbanEgyetlen neurális hálózat a nyers érzékelőadattól a vezérlésig
Fejlesztési módszerKézzel írt szabályok + külön képzett modulokTanulás adatokból (utánzó/megerősítéses tanulás)
ÁtláthatóságMagas; minden modul külön tesztelhetőAlacsony; a döntési mechanizmus fekete doboz
HibaterjedésVan; az észlelési hiba a lánc mentén továbbítódikCsökkentett
AdatszükségletSzakterület-ironultság modulonkéntNagyon nagy adathalmaz kötelező

A másik fél nehéz ágyúja viszont az átláthatóság. A moduláris rendszert darabonként ellenőrizheti; a neurális hálózat fejében zajló folyamatokat azonban csak részben láthatja. Bár a kutatók világ részleges válaszokat dolgoz ki erre a kritikára figyelem-térképek és értelmezhető kimenetek segítségével, amikor biztonsági tanúsítás kerül a képbe, a kérdés elmélyül - erre hamarosan visszatérünk.

Tesla és Waymo: Ugyanaz a Cél, Ellentétes Filozófiák

Az érzékelők oldali megosztottság az architektúra-vita legláthatóbb arca. A Tesla megközelítése kamera + neurális hálózat, LiDAR nélkül - szerintük ez az út szükséges egy globálisan navigálni képes rendszerhez. A Waymo éppen ellenkezőleg: legutóbbi járművében 13 kamera és 4 LiDAR egységgel egymásra halmozott érzékelőket alkalmazó többérzékelős architektúra. A Waymo társ-vezérigazgatója, Dmitri Dolgov nevéhez fűződik annak a nyílt kimondása, hogy 2026-ban a csak-kamerás megközelítés vízszintesen elakadt, azaz zsákutcába jutott, mielőtt elérte volna a teljes autonómiát. A Tesla oldalán azt állítják, hogy az FSD-vel már milliárdnyi mérföldnyi bizonyíték keletkezett.

Valójában a kép a kulisszák mögül nézve kissé szürkébb: Azt mondják, hogy a Tesla és a Waymo mellett számos szereplő valójában hibrid architektúrát használ, vagyis a determinisztikus útvonaltervezés és a neurális hálón alapuló észlelés egyesül; Momenta és Aurora is szerepel ezen a listán. Tehát a "minden egy hálóban van, vagy minden külön modulban" kérdésére a válasz a gyakorlatban a terepen legtöbbször "a kettő keveréke" szokott lenni. Az érzékelők összehasonlításában a LiDAR alacsony fényviszonyok és éjszakai körülmények között teljesít jobban; a csak-kamerás rendszerek viszont energiahatékonyak, és nem igényelnek előzetes térképezést.

A Fekete Doboz Probléma: Magyarázhatóság és Ellenőrizhetőség

Itt van a dolog technikailag leglényegesebb része. Az autóipar biztonsági szabványai - ASIL, ASPICE, AUTOSAR, MISRA - megkövetelik, hogy a rendszer mit csinál, azt követelményalapon definiálják és bizonyítsák. Egy végponttól végpontig működő neurális hálózban már eleve nehéz olyan követelményt megfogalmazni, hogy "az autó ebben a helyzetben ezt a döntést hozza"; a neurális hálózatok formális verifikálása pedig máig megoldatlan mérnöki probléma. Vagyis bármilyen jól is vezet a háló, amikor a mérnököknek minden egyes biztonsági követelményt bizonyítaniuk kell, előfordulhat, hogy nincs elegendő eszköz a kezükben.

Ennek kézzelfogható megnyilvánulását a felelősség oldalán látjuk. A Mercedes-Benz bejelentette, hogy átvállalja a jogi felelősséget a DRIVE PILOTért, amely a világ első tanúsított 3-as szintű rendszere, és a német hatóságtól jóváhagyást kapott autópályákon 95 km/s sebességig - az SAE J3016 szintek szerint a 3-as szinten a felelősség a vezetőről a gyártóra hárul. Ennek oka részben az architektúra: egy moduláris, világosan meghatározott határokkal rendelkező rendszer az, amire rá lehet írni, hogy "ezekben a körülmények között a rendszer vezet", és alá lehet írni. Egy fekete doboz hálózatra ugyanezt az aláírást sokkal nehezebb rátenni. Az új kutatási trend pedig nagy nyelvi modellek és vizuális nyelvi modellek, amelyek jelenetmegértési és következtetési réteget adnak a neurális hálózatokhoz - a magyarázhatósági problémára tett válaszkísérletként.

Ígéret és Valóság: Mi a Helyzet Ma?

Eddig minden izgalmas volt; most jön a hideg zuhany. Nézzük meg az FSD hivatalos nevét: FSD (Supervised). Tehát a "teljesen autonóm vezetés" nevet viselő rendszer hivatalos definíciója szerint egy fejlett vezetőtámogató rendszer, amelyet kizárólag figyelmes vezetővel való használatra terveztek, és nem teszi a Teslát teljesen autonóm járművé. A vezetőnek minden pillanatban készen kell állnia a beavatkozásra - az SAE besorolás szerint ez továbbra is a 2-es szint tartománya. Az FSD v13-mal a rendszer parkoló járműben is aktiválható, és a tolatás is beletartozik; a képességek nőnek, de a besorolás nem változik.

A másik oldalon a Waymo a 14 amerikai városra skálázódó robotaxi szolgáltatásával a gyakorlatban 4-es szintű működést folytat. A SAE legfrissebb revíziója is átnevezte a 0-2. szintet "vezetőtámogató rendszereknek", a 3-5. szintet pedig "automatikus rendszereknek", és hangsúlyozza, hogy a teljes automatizálás, vagyis az 5. szint még mindig messze van. Az egész iparág a hype-hullámból a valós világba, a széles körű bevezetésbe való átmenetet tükrözi: A 2+ szintű rendszerek elterjedtek, a robotaxik bizonyos városokra korlátozódnak, és az 5. szint még mindig csak cél mindenki számára.

Röviden: Mennyit változtatott meg az átállás a szabályok írásáról a tanulásra?

A közvetlen válasz ez: A végponttól végpontig architektúra az autonóm vezetésben döntő szoftvert a kézzel írt szabályokról egyetlen, adatokból tanuló neurális hálózatra helyezte át; ez természetesebb vezetési viselkedést és csökkenő hibaterjedést hozott, de új és még megoldatlan kihívásokat teremtett a magyarázhatóság, a validálhatóság és a tanúsítás oldalán. A Tesla a legagresszívebb szereplő ebben a fogadásban, és az FSD v12 után a rendszer tényleg valami egészen más lett - de a felügyelet nélküli teljes autonómia még mindig nem valósult meg. A moduláris megközelítés sincs kitéve a színről; A Waymo érzékelőállományát használó, felelősséget vállaló 3-4. szintű rendszerek ezzel a filozófiával kapnak tanúsítást. Valószínűleg a jövő nyertes architektúrája a két világ legjobbjait ötvöző hibrid struktúrák lesznek - és ez a verseny éppen most zajlik.

Források

  • 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

Az oldal megosztása

Kategóriaszerkesztő

Lütfi Mete Odabaşı

Lütfi Mete Odabaşı

Fiatal, dinamikus autó- és motorsportrajongó, aki szeret kutatni és tanulni. Mete fiatalok szemével gazdagítja autós hírekkel, tudással és kultúrával foglalkozó platformunkat. szorosan követi az autótechnológiai újdonságokat és a motorsportban történt fejlődéseket, és amit megtanul, hasznos, tartalmas tartalmakká alakít az otomobilgi.com számára.

Kapcsolódó tartalmak

A Tesla 99 dolláros FSD-előfizetése a nevében teljes autonómiát ígér, de hogy megkapja-e a pénze ellenértékét, az napi hány kilométert vezet.
Autonóm vezetés és mesterséges intelligenciaÉrtelmes-e havi díjat fizetni az autonóm vezetésért?
A Waymo csak kevés helyen vezet sofőr nélkül, a Tesla viszont mindenhol felügyelettel működik; ez a különbség nem véletlen, hanem a két cég üzleti modelljének lényege maga.
Autonóm vezetés és mesterséges intelligenciaMiért kér még mindig sofőrt a Tesla, miközben a Waymo egyedül kószál a városban?
Amíg a kormány a te kezedben van, az autó bármilyen okos is legyen, jogilag te továbbra is a sofőr vagy.
Autonóm vezetés és mesterséges intelligenciaA 2. szint vagy a 3. szint? Álmok és valóság az autonóm vezetésben
Súlyos hóban a lidar érzékelési teljesítménye több mint 50%-kal csökken, és mivel a mesterséges intelligencia nem tudja, melyik szenzornak bízzon magát, a robotaxik megállnak.
Autonóm vezetés és mesterséges intelligenciaMiért vakulhatnak meg a hóban és esőben az önvezető járművek?
Az elmúlt tíz évben a teljes autonómiát ígérő dátumok egyike a másik után telt el; ma az utakon még mindig az a kézzelfogható valami, amit Level 2 vezetőtámogatásnak hívnak.
Autonóm vezetés és mesterséges intelligenciaAz autonóm vezetés elhalasztott ígéretei 2015 óta
Ha a kormány mögött senki nem ül, és bekövetkezik a baleset, a felelősség már nem a vezetőt, hanem a rendszert fejlesztő vállalatot terheli.
Autonóm vezetés és mesterséges intelligenciaMi történik, ha senki sincs a volánánál és baleset történik - ki a hibás?
Az autonóm vezetésben nincs egyetlen helyes érzékelő; a nyertest a költség, a biztonság és a szabályozás egyensúja határozza meg.
Autonóm vezetés és mesterséges intelligenciaLidar vagy kamera? Az érem oldala a szenzorháborúnak az autonóm vezetésben
Mindkét rendszer SAE 2. szintű, így a kormány mögötti valódi pilóta továbbra is te vagy: ma egyetlen autó sem veszi át helyetted a felelősséget.
Autonóm vezetés és mesterséges intelligenciaA Super Cruise és a Tesla FSD közötti 5 alapvető különbség
A Mercedes-Benz bemutatta a világ első, baleseti felelősséget vállaló, globálisan jóváhagyott 3-as szintű rendszerét; de ez a szabadság egyelőre még egy nagyon szűk sávban érvényes.
Autonóm vezetés és mesterséges intelligenciaMercedes Drive Pilot betölti a 3-as szint ígéretét
A technológia készen áll, a minták készen vannak, de az amerikai autópálya üres ülése továbbra is sofőrrel van tele, mert az igazi akadály nem a szoftver, hanem a gazdaság és a szabályzat.
Autonóm vezetés és mesterséges intelligenciaMiért van még mindig sofőrrel az önvezető teherautó az Egyesült Államok autópályáin?

Címkék

  • önvezető vezetés
  • tesla
  • teljesen önvezető
  • lidar
  • waymo
  • vezetőtámogató rendszerek
  • sae szintek
  • mercedes-benz
  • jogi felelősség
  • végponttól végpontig tanulás
  • neurális hálózat
  • szenzoradatok fúziója

Kövessen minket a közösségi médiában

  • Rólunk
  • KVKK Tájékoztató Szöveg
  • Adatvédelmi Szabályzat
  • Kapcsolat
Otomobilgi.com
FUGGETLEN AUTÓS KULTÚRA PLATFORM
Virgo CMS által működtetve