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
  • หน้าแรก
  • ข่าวสาร
    ข่าวอุตสาหกรรมยานยนต์ตุรกี
    ข่าวอุตสาหกรรมยานยนต์โลก
    ข่าวมอเตอร์สปอร์ตตุรกี
    ข่าวมอเตอร์สปอร์ตทั่วโลก
  • รถยนต์
    เครื่องยนต์สันดาปภายใน
    • รุ่นเครื่องยนต์สันดาปภายใน
    • เทคโนโลยีเครื่องยนต์สันดาปภายใน
    • เชื้อเพลิงและการสิ้นเปลือง
    • การปล่อยมลพิษและสิ่งแวดล้อม
    • การเป็นเจ้าของยานพาหนะเครื่องยนต์สันดาปภายใน
    • ประวัติยานยนต์เครื่องยนต์สันดาปภายใน
    ไฟฟ้า
    • รุ่นรถยนต์ไฟฟ้า
    • เทคโนโลยีรถยนต์ไฟฟ้า
    • การชาร์จและโครงสร้างพื้นฐาน
    • เทคโนโลยีแบตเตอรี่
    • ระยะทางและอัตราการใช้เชื้อเพลิง
    • การเป็นเจ้าของรถยนต์ไฟฟ้า
    • ประวัติศาสตร์รถยนต์ไฟฟ้า
    ยานพลังงานไฮบริด
    • โมเดลไฮบริด
    • ระบบไฮบริด
    • แบตเตอรี่และการชาร์จ
    • การบริโภคและประสิทธิภาพ
    • การเป็นเจ้าของแบบไฮบริด
    • ประวัติศาสตร์รถยนต์ไฮบริด
    SUPERCAR
    ไฮเปอร์คาร์
  • เทคโนโลยี
    ระบบช่วยเหลือผู้ขับขี่
    เทคโนโลยีความปลอดภัย
    เทคโนโลยีไฟส่องสว่างและการมองเห็น
    ระบบนันเทนเมนต์และการเชื่อมต่อ
    การขับขี่อัตโนมัติและปัญญาประดิษฐ์
    เทคโนโลยีแห่งอนาคต
  • คู่มือ
    คู่มือการซื้อ
    คู่มือการขาย
    การบำรุงรักษาและการใช้งาน
    ความเป็นเจ้าของและต้นทุน
    ยางและล้อแม็ก
    ประกันภัยและการตรวจสภาพ
  • ประวัติศาสตร์และวัฒนธรรม
    ประวัติศาสตร์รถยนต์
    รุ่นอันโด่งดัง
    คลาสสิกและคอลเลกชัน
    การเดินทางทางยานยนต์ของตุรกี
    การออกแบบรถยนต์
    รถยนต์และวัฒนธรรมสมัยนิยม
  • มอเตอร์สปอร์ต
    ฟอร์มูลา 1
    Rally (WRC)
    ราลลี่ครอส
    MotoGP
    Formula 2 & Formula 3
    คาร์ตติ้ง
    การแข่งขันเลอม็อง 24 ชั่วโมง
    WEC
    NASCAR
    อินดี้คาร์
    DTM
    การแข่งขัน GT
    ดริฟท์
    การแข่งรถแบบดรา็ก
  • รู้จักเราให้ดีขึ้น
    เกี่ยวกับเรา
    ติดต่อ
  • 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. หน้าแรก
  2. เทคโนโลยี
  3. การขับขี่อัตโนมัติและปัญญาประดิษฐ์
  4. ระบบขับขี่อัตโนมัติแบบ End-to-End เปลี่ยนแปลงการขับขี่อย่างไร?

ระบบขับขี่อัตโนมัติแบบ End-to-End เปลี่ยนแปลงการขับขี่อย่างไร?

  • การขับขี่อัตโนมัติและปัญญาประดิษฐ์
  • ผู้เขียน: Lütfi Mete Odabaşı
  • การสร้าง: 4 พฤศจิกายน 2026
ยุคของการขับขี่อัตโนมัติที่วิศวกรกำหนดกฎเกณฑ์ทีละข้อได้สิ้นสุดลงแล้วด้วย Tesla FSD v12; ขณะนี้โครงข่ายประสาทเทียมตัดสินใจบังคับพวงมาลัยโดยตรงจากภาพดิบของกล้อง
ยุคของการขับขี่อัตโนมัติที่วิศวกรกำหนดกฎเกณฑ์ทีละข้อได้สิ้นสุดลงแล้วด้วย Tesla FSD v12; ขณะนี้โครงข่ายประสาทเทียมตัดสินใจบังคับพวงมาลัยโดยตรงจากภาพดิบของกล้อง

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

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

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

คุณสมบัติสถาปัตยกรรมโมดูลาร์สถาปัตยกรรม End-to-End
โครงสร้างการรับรู้ → การทำนาย → การวางแผน → การควบคุม เป็นโมดูลแยกกันโครงข่ายประสาทเดียวจากข้อมูลเซนเซอร์ดิบถึงการควบคุม
วิธีการพัฒนากฎที่เขียนด้วยมือ + โมดูลที่ฝึกแยกกันการเรียนรู้จากข้อมูล (การเลียนแบบ/การเรียนรู้แบบเสริมแรง)
ความโปร่งใสสูง แต่ละโมดูลทดสอบแยกได้ต่ำ กลไกการตัดสินใจเป็นกล่องดำ
การแพร่กระจายข้อผิดพลาดมี ข้อผิดพลาดในการรับรู้ถูกส่งต่อไปตามลูกโซ่ลดลง
ความต้องการข้อมูลความเชี่ยวชาญเฉพาะด้านต่อหนึ่งโมดูลจำเป็นต้องมีชุดข้อมูลขนาดใหญ่มาก

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

แชร์หน้านี้

บรรณาธิการหมวดหมู่

Lütfi Mete Odabaşı

Lütfi Mete Odabaşı

อนึ่งหนุ่มสาว มีพลัง ชอบค้นคว้าและเรียนรู้ ผู้หลงใหลในรถยนต์และมอเตอร์สปอร์ต Mete มอบมุมมองของคนรุ่นใหม่เพิ่มคุณค่าให้กับแพลตฟอร์มข่าวสาร ความรู้ และวัฒนธรรมยานยนต์ของเรา เขาติดตามนวัตกรรมด้านเทคโนโลยีรถยนต์และความเคลื่อนไหวในวงการมอเตอร์สปอร์ตอย่างใกล้ชิด และเปลี่ยนสิ่งที่เรียนรู้ให้กลายเป็นคอนเทนต์ที่มีประโยชน์และเต็มเปี่ยมไปด้วยเนื้อหาสำหรับ otomobilgi.com

เนื้อหาที่เกี่ยวข้อง

การสมัครสมาชิก FSD ราคา 99 ดอลลาร์ของ Tesla สัญญาถึงชื่อของมันว่าอิสระภาพในการขับขี่เต็มรูปแบบ แต่จะคุ้มค่ากับเงินที่จ่ายไปหรือไม่นั้นขึ้นอยู่กับว่าคุณขับรถวันละกี่กิโลเมตร
การขับขี่อัตโนมัติและปัญญาประดิษฐ์การจ่ายค่าบริการรายเดือนสำหรับการขับขี่อัตโนมัติสมเหตุสมผลหรือไม่?
Waymo ขับขี่แบบไร้คนขับได้ในพื้นที่จำกัด ส่วน Tesla ทำงานแบบมีผู้ควบคุมดูแลทุกที่ ความแตกต่างนี้ไม่ใช่เรื่องบังเอิญ แต่คือแก่นแท้ของโมเดลธุรกิจของทั้งสองบริษัท
การขับขี่อัตโนมัติและปัญญาประดิษฐ์ขณะที่ Waymo แล่นไปทั่วเมืองได้ด้วยตัวเอง ทำไม Tesla ยังต้องการคนขับอยู่?
ตราบใดที่พวงมาลัยยังอยู่ในมือคุณ ไม่ว่ารถยนต์จะฉลาดแค่ไหน ตามกฎหมายคุณก็ยังคงเป็นคนขับอยู่ดี
การขับขี่อัตโนมัติและปัญญาประดิษฐ์ระดับ 2 หรือระดับ 3? ระหว่างคำสัญญากับความเป็นจริงของการขับขี่อัตโนมัติ
ในหิมะตกหนัก ประสิทธิภาพการตรวจจับของ lidar ลดลงมากกว่า 50% และเนื่องจาก AI ไม่รู้ว่าควรเชื่อเซ็นเซอร์ใด รถแท็กซี่อัตโนมัติจึงต้องจอดนิ่ง
การขับขี่อัตโนมัติและปัญญาประดิษฐ์ทำไมรถอัตโนมัติถึงมองไม่เห็นในหิมะและฝน?
ตลอดสิบปีที่ผ่านมา วันกำหนดของความเป็นอัตโนมัติเต็มรูปแบบที่ประกาศกันทุกปีต่างผ่านพ้นไปทีละวัน ๆ วันนี้บนถนนยังคงมีเพียงสิ่งที่จับต้องได้จริง นั่นคือระบบช่วยขับขี่ระดับ Level 2
การขับขี่อัตโนมัติและปัญญาประดิษฐ์คำสัญญาที่เลื่อนออกไปของการขับขี่อัตโนมัติตั้งแต่ปี 2015
เมื่อเกิดอุบัติเหตุขณะระบบขับขี่อัตโนมัติทำงานอยู่ ความรับผิดชอบจะตกอยู่ที่บริษัทผู้พัฒนาระบบ ไม่ใช่ผู้ขับขี่อีกต่อไป
การขับขี่อัตโนมัติและปัญญาประดิษฐ์ถ้าเกิดอุบัติเหตุตอนที่ไม่มีคนอยู่บนพวงมาลัย ใครจะเป็นผู้ผิด?
ไม่มีเซ็นเซอร์แบบถูกผิดเพียงหนึ่งเดียวในการขับขี่อัตโนมัติ ตัวชนะจะถูกกำหนดโดยสมดุลระหว่างต้นทุน ความปลอดภัย และกฎระเบียบ
การขับขี่อัตโนมัติและปัญญาประดิษฐ์Lidar หรือกล้อง? บทสรุปของสงครามเซ็นเซอร์ในการขับขี่อัตโนมัติ
เนื่องจากทั้งสองระบบเป็น SAE Level 2 ผู้ขับขี่ตัวจริงที่อยู่หลังพวงมาลัยก็คือคุณ: ไม่มีรถยนต์คันไหนในวันนี้ที่รับผิดชอบแทนคุณ
การขับขี่อัตโนมัติและปัญญาประดิษฐ์5 ความแตกต่างสำคัญระหว่าง Super Cruise กับ Tesla FSD
Mercedes-Benz เปิดตัวระบบระดับ 3 ที่ได้รับการรับรองระดับโลกเป็นระบบแรกของโลกที่รับผิดชอบความเสียหายจากอุบัติเหตุ แต่อิสระภาพนี้ยังคงใช้ได้เฉพาะในกรอบที่แคบมากเท่านั้น
การขับขี่อัตโนมัติและปัญญาประดิษฐ์Mercedes Drive Pilot รักษาคำสัญญาระดับ 3 ได้จริง
เทคโนโลยีพร้อม แบบแปลนพร้อม แต่ที่นั่งว่าง ๆ บนทางหลวงของสหรัฐฯ ยังคงต้องมีคนขับนั่งอยู่ เพราะอุปสรรคที่แท้จริงไม่ใช่ซอฟต์แวร์ แต่เป็นเรื่องเศรษฐกิจและกฎระเบียบ
การขับขี่อัตโนมัติและปัญญาประดิษฐ์ทำไมรถบรรทุกอัตโนมัติบนทางหลวงของสหรัฐฯ ยังต้องมีคนขับ?

ป้ายกำกับ

  • ยานยนต์ไร้คนขับ
  • เทสลา
  • full self-driving
  • ไลดาร์
  • เวย์โม (waymo)
  • ระบบช่วยขับขี่
  • ระดับ sae
  • เมอร์เซเดส-เบนซ์
  • ความรับผิดทางกฎหมาย
  • การเรียนรู้แบบ end-to-end
  • โครงข่ายประสาทเทียม
  • การฟิวส์ข้อมูลเซ็นเซอร์

ติดตามเราบนโซเชียลมีเดีย

  • เกี่ยวกับเรา
  • ประกาศความเป็นส่วนตัวตามกฎหมาย KVKK
  • นโยบายความเป็นส่วนตัว
  • ติดต่อ
Otomobilgi.com
แพลตฟอร์มวัฒนธรรมยานยนต์อิสระ
ขับเคลื่อนด้วย Virgo CMS