ระบบขับขี่อัตโนมัติแบบ End-to-End เปลี่ยนแปลงการขับขี่อย่างไร?

เมื่อคุณนึกภาพรถที่ขับเคลื่อนตัวเอง สิ่งแรกที่ขึ้นในหัวคืออะไร? คงเป็นเซนเซอร์นับสิบตัวที่ติดตั้งอยู่ตามถนน แผนที่ขนาดมหึมา และวิศวกรที่เขียนกฎสำหรับทุกสถานการณ์ไว้ล่วงหน้า ใช่ไหม? แต่ Tesla ได้พลิกภาพนี้กลับด้านด้วย FSD เวอร์ชัน 12: ไม่มีกฎที่เขียนด้วยมือนับพันอยู่ตรงกลางอีกต่อไป ภาพจากกล้องดิบเข้าไป คำสั่งพวงมาลัย-เบรก-คันเร่งออกมา แล้วการบอกให้โครงข่ายประสาทเคลือข่าย "เรียนรู้การขับขี่" แท้จริงแล้วหมายความว่าอะไร? การเปลี่ยนผ่านนี้เปลี่ยนโลกของการขับขี่อัตโนมัติอย่างไร - และติดขัดตรงไหน?
สถาปัตยกรรมแบบโมดูลาร์คลาสสิก: สายการผลิตในตัวช่วยขับขี่
ก่อนจะพูดถึง end-to-end ต้องเข้าใจระบบเดิมก่อน เพราะระบบส่วนใหญ่บนถนนในวันนี้ยังคงทำงานด้วยตรรกะแบบนี้ สถาปัตยกรรมแบบโมดูลาร์จัดวางซอฟต์แวร์ขับขี่อัตโนมัติเหมือนสายการผลิตในโรงงาน: แต่ละขั้นตอนทำหน้าที่ของตัวเองและส่งต่อผลลัพธ์ให้ขั้นถัดไป ตั้งแต่ Cruise ซึ่งเป็นหนึ่งในยานพาหนะผู้ชนะครั้งแรกของ DARPA Grand Challenge ไปจนถึง Mobileye และ Autoware แบบโอเพนซอร์ส แนวทางนี้มีประวัติศาสตร์อันยาวนาน
- การรับรู้ (Perception): ข้อมูลจาก LiDAR กล้อง และเรดาร์ถูกประมวลผลเพื่อตรวจจับวัตถุ อัลกอริทึมอย่าง YOLO และ VoxelNet ทำงานในเลเยอร์นี้
- การทำนาย (Prediction): คนเดินเท้าและยานพาหนะอื่นถูกจำลองด้วยวิถีการเคลื่อนที่ระยะสั้นและระยะยาว
- การวางแผน (Planning): เส้นทางถูกคำนวณด้วยอัลกอริทึมคลาสสิกอย่าง A* หรือ Dijkstra ส่วนการเคลื่อนไหวในท้องถิ่นใช้วิธีอย่าง RRT
- การควบคุม (Control): โดยทั่วไป Model Predictive Controller (MPC) จะเข้ามาทำงานและนำทางยานพาหนะในทางกายภาพ
ข้อดีที่ยิ่งใหญ่ที่สุดของโครงสร้างนี้คือความโปร่งใส: คุณสามารถทดสอบแต่ละโมดูลแยกกันและค้นหาได้ว่าขั้นตอนใดทำอะไรผิดพลาด แต่จุดอ่อนที่ใหญ่ที่สุดก็ซ่อนอยู่ ณ จุดนี้ - การแพร่กระจายของข้อผิดพลาด หากโมดูลการรับรู้จำแนกคนเดินเท้าผิด ข้อผิดพลาดนั้นจะถูกส่งต่อไปจนถึงปลายห่วงโซ่ และโมดูลการวางแผนต้องตัดสินใจด้วยข้อมูลที่เสื่อมสภาพไปแล้ว ยิ่งไปกว่านั้น การฝึกฝนแต่ละโมดูลแยกกันต้องการความเชี่ยวชาญเฉพาะด้านอย่างจริงจังและพลังการคำนวณสูง การประมวลผลเป็นขั้นตอนเป็นแหล่งความไร้ประสิทธิภาพในตัวเอง
สิ่งที่น่าสนใจ
- Tesla FSD ได้เปลี่ยนไปใช้สถาปัตยกรรมโครงข่ายประสาทเทียมแบบ end-to-end อย่างสมบูรณ์ด้วยเวอร์ชัน 12 (เปิดให้ลูกค้าใช้ต้นปี 2024) วันนี้คุณอยู่ในเวอร์ชัน v14
- ในสถาปัตยกรรมแบบโมดูลาร์ การรับรู้ การทำนาย การวางแผน และการควบคุมเป็นโมดูลแยกกัน ส่วนในระบบ end-to-end ทั้งหมดรวมกันเป็นโครงข่ายประสาทเทียมเดียว
- ชื่ออย่างเป็นทางการของ FSD ยังคงเป็น FSD (Supervised): ไม่ใช่รถอัตโนมัติเต็มรูปแบบ แต่เป็นระบบช่วยขับขี่ที่ต้องการผู้ขับขี่จับตาดูอย่างต่อเนื่อง
- ปัญหาใหญ่ที่สุดของ end-to-end คือความสามารถในการอธิบาย: การตรวจสอบโครงข่ายประสาทเทียมอย่างเป็นทางการยังคงเป็นปัญหาทางวิศวกรรมที่ยังไม่ได้รับการแก้ไข
แนวทาง End-to-End: จากกฎนับพันสู่ตัวอย่างนับล้าน

ในการขับขี่แบบ end-to-end แนวคิดนั้นเรียบง่ายอย่างน่าทึ่ง: คุณป้อนข้อมูลเซนเซอร์ดิบ - กล้อง LiDAR เรดาร์ GPS - เข้าสู่โครงข่ายประสาทเทียมขนาดมหึมาเพียงหนึ่งเดียว และรับคำสั่งขับขี่หรือแผนการขับขี่โดยตรงจากโครงข่าย การรับรู้ การทำนาย และการวางแผนหลอมรวมเป็นหนึ่งเดียวภายในโปรแกรมเดียว แทนที่จะเป็นซอฟต์แวร์แยกส่วน Tesla เข้าสู่เส้นทางนี้ด้วย FSD v12 และในต้นปี 2024 ก็ได้ปรากฏรุ่นแรกแบบ end-to-end ที่ผู้ขับขี่ได้สัมผัสบนพวงมาลัย วันนี้ระบบได้วิวัฒนาการมาถึง v14 แล้ว
ขอเล่าความแตกต่างด้วยการเปรียบเทียบ: ระบบแบบโมดูลาร์เปรียบเสมือนนักเรียนที่ท่องจำกฎจราจร มีกฎพร้อมรับมือทุกสถานการณ์ ส่วนระบบ end-to-end เปรียบเสมือนคนขับที่มีประสบการณ์ซึ่งนั่งอยู่ข้างๆ และถูกดูมานับพันชั่วโมง อาจอธิบายทีละขั้นไม่ได้ว่าทำอะไรและทำไม แต่รู้สึกได้ถึงการเคลื่อนไหวที่ถูกต้อง โครงข่ายประสาทเรียนรู้ไม่เพียงว่าวัตถุต่างๆ คืออะไร แต่ยังเรียนรู้ว่าคนขับมนุษย์ ตอบสนองต่อสิ่งเหล่านั้นอย่างไรด้วย
แล้วโครงข่ายถูกฝึกอย่างไร?
มีสองเส้นทางหลัก แรกคือ การเรียนรู้แบบเลียนแบบ (behavior cloning): โครงข่ายเรียนรู้การคัดลอกพฤติกรรมการขับขี่ของมนุษย์นับล้านกิโลเมตร เป็นวิธีที่ดีแต่มีจุดอ่อนสองประการ - การเลื่อนของควาแวเรียนส์และความสับสนเชิงสาเหตุ กล่าวคือโครงข่ายอาจเรียนรู้ผิดว่าอะไรสำคัญจริงๆ ที่สองคือ การเรียนรู้แบบเสริมแรง: ในสภาพจำลอง โครงข่ายถูกฝึกด้วยการทดลองและผิดพลาดผ่านการให้รางวัล NVIDIA มีประวัติยาวนานในเรื่องนี้ ตั้งแต่ DAVE-2 ในปี 2016 จนถึง DRIVE Thor ทุกวันนี้ที่ให้พลังชิปสูงถึง 1,000 TOPS Wayve และ Comma.ai ก็เป็นอีกสองชื่อที่เดินตามปรัชญาเดียวกัน
โมดูลาร์ดีหรือ End-to-End ดี? การเปรียบเทียบอย่างเป็นรูปธรรม
เมื่อวางสองแนวทางไว้เคียงกัน ตารางก็ชัดเจนขึ้น ข้อดีของสถาปัตยกรรม end-to-end ที่นักวิจัยจัดอันดับไว้มีดังนี้: การลดลงของการแพร่กระจายข้อผิดพลาด ประสิทธิภาพการคำนวณ ความง่ายในการฝึกโดยสัมพัทธ์ และอย่างน่าสนใจคือความทนทานต่อการโจมตี - เนื่องจากภายนอกไม่สามารถทราบได้ว่าอินพุตใดเฉพาะเจาะจงกระตุ้นพฤติกรรมการขับขี่ของระบบ การจัดการที่เป็นเจตนาร้ายก็ยากขึ้นด้วย
| คุณสมบัติ | สถาปัตยกรรมโมดูลาร์ | สถาปัตยกรรม End-to-End |
|---|---|---|
| โครงสร้าง | การรับรู้ → การทำนาย → การวางแผน → การควบคุม เป็นโมดูลแยกกัน | โครงข่ายประสาทเดียวจากข้อมูลเซนเซอร์ดิบถึงการควบคุม |
| วิธีการพัฒนา | กฎที่เขียนด้วยมือ + โมดูลที่ฝึกแยกกัน | การเรียนรู้จากข้อมูล (การเลียนแบบ/การเรียนรู้แบบเสริมแรง) |
| ความโปร่งใส | สูง แต่ละโมดูลทดสอบแยกได้ | ต่ำ กลไกการตัดสินใจเป็นกล่องดำ |
| การแพร่กระจายข้อผิดพลาด | มี ข้อผิดพลาดในการรับรู้ถูกส่งต่อไปตามลูกโซ่ | ลดลง |
| ความต้องการข้อมูล | ความเชี่ยวชาญเฉพาะด้านต่อหนึ่งโมดูล | จำเป็นต้องมีชุดข้อมูลขนาดใหญ่มาก |
ฝ่ายตรงข้ามมีไพ่ตายที่ความโปร่งใส คุณสามารถตรวจสอบระบบโมดูลาร์ได้ทีละส่วน แต่สิ่งที่หมุนอยู่ในหัวของโครงข่ายประสาทนั้นคุณมองเห็นได้เพียงบางส่วนเท่านั้น แม้โลกวิจัยจะพัฒนาคำตอบบางส่วนต่อข้อวิจารณ์นี้ด้วยแผนที่ความสนใจและผลลัพธ์ที่ตีความได้ แต่เมื่อเข้ามาถึงเรื่องใบรับรองความปลอดภัย ประเด็นก็ยิ่งซับซ้อนขึ้น - จะกลับมาพูดถึงเรื่องนี้อีกครั้งในไม่ช้า
Tesla กับ Waymo: เป้าหมายเดียวกัน ปรัชญาตรงข้าม
ความแตกแยกด้านเซนเซอร์คือหน้าตาที่เห็นได้ชัดที่สุดของการถกเถียงเรื่องสถาปัตยกรรม แนวทางของ Tesla คือกล้อง + โครงข่ายประสาท โดยไม่ใช้ LiDAR - พวกเขาโต้แย้งว่าเส้นทางนี้จำเป็นสำหรับระบบที่สามารถนำทางได้ในระดับโลก ส่วน Waymo กลับตรงกันข้าม: ในยานล่าสุดใช้สถาปัตยกรรมหลายเซนเซอร์ที่ซ้อนเซนเซอร์ทับกันทั้ง 13 กล้องและ 4 หน่วย LiDAR Dmitri Dolgov ซีอีโอร่วมของ Waymo เป็นบุคคลที่พูดอย่างชัดเจนว่าในปี 2026 แนวทางกล้องเดี่ยวนั้นกลายเป็นแบนราบ กล่าวคือติดขัด ก่อนจะไปถึงความเป็นอิสระเต็มรูปแบบ ฝ่าย Tesla โต้แย้งว่า FSD สร้างหลักฐานได้หลายพันล้านไมล์
ที่จริงแล้ว เมื่อมองจากเบื้องหลัง ภาพรวมยังค่อนข้างเทาอยู่: มีการระบุว่าผู้เล่นหลายราย รวมถึง Tesla และ Waymo ใช้สถาปัตยกรรมแบบไฮบริดในทางปฏิบัติ กล่าวคือเป็นการผสานการวางแผนเส้นทางแบบดีเทอร์มินิสติกเข้ากับการรับรู้ที่อิงบนโครงข่ายประสาทเทียม Momenta และ Aurora ก็ถูกนับอยู่ในรายการนี้ด้วย นั่นคือคำตอบของคำถามว่า "ทุกอย่างอยู่ในโครงข่ายเดียว หรือทุกอย่างแยกเป็นโมดูล" ในทางปฏิบัติในสนามจริงส่วนใหญ่มักเป็น "การผสมผสานของทั้งสองอย่าง" ส่วนการเปรียบเทียบเซนเซอร์นั้น LiDAR มีความเหนือกว่าในแสงต่ำและสภาวะกลางคืน ขณะที่ระบบกล้องเดี่ยวประหยัดพลังงานและไม่ต้องมีการทำแผนที่ล่วงหน้า
ปัญหากล่องดำ: ความสามารถในการอธิบายและการตรวจสอบยืนยัน
จุดที่สำคัญที่สุดในเชิงเทคนิคของเรื่องนี้อยู่ตรงนี้ มาตรฐานความปลอดภัยของโลกยานยนต์ - ASIL, ASPICE, AUTOSAR, MISRA - กำหนดให้ต้องอธิบายและพิสูจน์สิ่งที่ระบบทำบนพื้นฐานของข้อกำหนด การกำหนดข้อกำหนดที่สามารถเขียนได้ว่า "รถจะตัดสินใจแบบนี้ในสถานการณ์แบบนี้" ในโครงข่ายประสาทเทียมแบบ end-to-end นั้นยากอยู่แล้ว และการตรวจสอบยืนยันอย่างเป็นทางการ (formal verification) ของโครงข่ายประสาทเทียมก็ยังเป็นปัญหาทางวิศวกรรมที่ยังไม่ได้รับการแก้ไข นั่นคือไม่ว่าโครงข่ายจะขับดีเพียงใด เมื่อวิศวกรต้องพิสูจน์ข้อกำหนดด้านความปลอดภัยทุกข้อ พวกเขาอาจไม่มีเครื่องมือเพียงพอในมือ
เราเห็นผลที่เป็นรูปธรรมของเรื่องนี้ในด้านความรับผิดชอบ Mercedes-Benz ประกาศรับผิดชอบในทางกฎหมายสำหรับ DRIVE PILOT ซึ่งเป็นระบบระดับ 3 ที่ได้รับการรับรองเป็นแห่งแรกของโลก และได้รับการอนุมัติจากหน่วยงานของเยอรมนีให้ใช้งานบนทางหลวงได้ถึงความเร็ว 95 กม./ชม. - ตามระดับของ SAE J3016 ในระดับ 3 ความรับผิดชอบจะเปลี่ยนจากผู้ขับขี่ไปเป็นของผู้ผลิต สาเหตุบางส่วนมาจากสถาปัตยกรรม: ระบบที่เป็นโมดูลาร์และมีขอบเขตชัดเจน คือสิ่งที่สามารถระบุได้ว่า "ระบบขับเคลื่อนในเงื่อนไขเหล่านี้" แล้วลงนามรับรองได้ การลงนามเช่นเดียวกันกับโครงข่ายแบบกล่องดำนั้นยากกว่ามาก แนวโน้มงานวิจัยใหม่คือโมเดลภาษาขนาดใหญ่และโมเดลภาษา-ภาพที่เพิ่มชั้นความเข้าใจสถานการณ์และการใช้เหตุผลให้กับโครงข่ายประสาทเทียม - ในฐานะความพยายามตอบปัญหาความสามารถในการอธิบาย
ระหว่างคำสัญญากับความเป็นจริง: สถานการณ์ปัจจุบันเป็นอย่างไร?
จนถึงตรงนี้ทุกอย่างตื่นเต้นดี ตอนนี้ถึงเวลาอาบน้ำเย็น มาดูชื่ออย่างเป็นทางการของ Tesla FSD กัน: FSD (Supervised) นั่นคือระบบที่ใช้ชื่อว่า "การขับขี่อิสระเต็มรูปแบบ" ตามนิยามอย่างเป็นทางการคือระบบช่วยขับขี่ขั้นสูงที่ออกแบบมาให้ใช้กับผู้ขับขี่ที่ใส่ใจอย่างเต็มที่ และไม่ได้เปลี่ยน Tesla ให้เป็นยานพาหนะอิสระเต็มรูปแบบ ผู้ขับขี่ต้องพร้อมแทรกแซงทุกขณะ - ตามการจำแนกของ SAE ยังคงอยู่ในระดับ 2 ด้วย FSD v13 ระบบสามารถเปิดใช้งานได้ในขณะที่รถจอด และรวมถึงการถอยหลังด้วย ความสามารถเพิ่มขึ้น แต่การจำแนกระดับไม่เปลี่ยนแปลง
อีกด้านหนึ่ง Waymo กำลังดำเนินการระดับ 4 อย่างแท้จริงด้วยบริการแท็กซี่อัตโนมัติที่ขยายไปสู่ 14 เมืองในสหรัฐอเมริกา การแก้ไขล่าสุดของ SAE ยังเปลี่ยนชื่อระดับ 0-2 เป็น "ระบบช่วยขับขี่" และระดับ 3-5 เป็น "ระบบอัตโนมัติ" โดยเน้นว่าระบบอัตโนมัติเต็มรูปแบบ นั่นคือระดับ 5 ยังอยู่ห่างไกล ทั้งอุตสาหกรรมสะท้อนช่วงเปลี่ยนผ่านจากกระแสความฮือฮาไปสู่การใช้งานจริงในโลกแห่งความเป็นจริง: ระบบระดับ 2+ แพร่หลายแล้ว รถแท็กซี่ไร้คนขับจำกัดอยู่เฉพาะบางเมือง และระดับ 5 ยังเป็นเพียงเป้าหมายสำหรับทุกคน
โดยสรุป: การเปลี่ยนจากการเขียนกฎไปสู่การเรียนรู้เปลี่ยนแปลงอะไรบ้าง?
คำตอบตรงๆ ก็คือ: สถาปัตยกรรม end-to-end ย้ายซอฟต์แวร์ตัดสินใจในการขับขี่อัตโนมัติจากกฎที่เขียนด้วยมือไปสู่โครงข่ายประสาทเทียมเดียวที่เรียนรู้จากข้อมูล ซึ่งนำมาซึ่งพฤติกรรมการขับขี่ที่เป็นธรรมชาติมากขึ้นและการแพร่กระจายของข้อผิดพลาดที่ลดลง แต่สร้างความท้าทายใหม่ที่ยังไม่ได้รับการแก้ไขในด้านความสามารถในการอธิบาย การตรวจสอบ และการรับรอง Tesla เป็นผู้เล่นที่เดิมพันเรื่องนี้อย่างก้าวร้าวที่สุด และระบบหลังจาก FSD v12 เป็นสิ่งที่แตกต่างอย่างแท้จริง - แต่ระบบอัตโนมัติเต็มรูปแบบที่ไม่ต้องมีผู้ควบคุมยังไม่ได้รับการส่งมอบ แนวทางแบบโมดูลาร์ก็ยังไม่ได้หายไปจากเวที; ระบบระดับ 3-4 ที่ใช้ชุดเซนเซอร์ของ Waymo และรับผิดชอบความรับผิดชอบได้รับการรับรองด้วยปรัชญานี้ สถาปัตยกรรมที่ชนะในอนาคตอาจเป็นโครงสร้างไฮบริดที่รวมเอาจุดเด่นของทั้งสองโลกเข้าด้วยกัน - และการแข่งขันนั้นกำลังแข่งอยู่ในขณะนี้
แหล่งอ้างอิง
- 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