Latent Chain-of-Thought World Modeling for End-to-End Driving
यह शोध पत्र LCDrive प्रस्तुत करता है, जो एक एंड-टू-एंड ऑटोनॉमस ड्राइविंग मॉडल है जो प्राकृतिक भाषा चेन-ऑफ-थॉट रीजनिंग को लेटेंट स्पेस इंटरलीविंग एक्शन प्रपोजल्स और वर्ल्ड मॉडल टोकन्स के साथ बदलकर अधिक कुशल बनाता है, जो कोल्ड-स्टार्ट सुपरविजन और क्लोज्ड-लूप रीइन्फोर्समेंट लर्निंग के माध्यम से बेहतर प्रक्षेपवक्र गुणवत्ता और अनुमान गति प्राप्त करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कार चलाना भविष्यवाणी का एक निरंतर कार्य है। एक मानव चालक के पहिया घुमाने से पहले, वह पहले से ही कल्पना कर रहा होता है कि आगे क्या होगा: आगे वाली कार ब्रेक लगा सकती है, कोई पैदल यात्री फुटपाथ से नीचे उतर सकता है, या ट्रैफ़िक में कोई खाली जगह बंद हो सकती है। भविष्य का यही मानसिक सिमुलेशन हमें सुरक्षित रखता है। दशकों से, इंजीनियरों ने कंप्यूटर को भी ऐसा करने के लिए सिखाने की कोशिश की है, ऐसे सिस्टम बनाए हैं जो सड़क को देख सकें और तय कर सकें कि कहाँ स्टीयरिंग घुमाना है। इनमें से सबसे उन्नत प्रणालियों को, जिन्हें एंड-टू-एंड ऑटोनॉमस ड्राइविंग कहा जाता है, इस पूरी प्रक्रिया को एक बार में सीखने का प्रयास करने के लिए डिज़ाइन किया गया है, जो बिना किसी मानव-निर्मित नियमों के सीधे कैमरा छवियों को स्टीयरिंग कमांड में मैप करती हैं। हाल ही में, शोधकर्ताओं ने इन प्रणालियों को एक "आवाज़" देकर सुधारने का प्रयास किया है, जिससे कंप्यूटर किसी भी चाल को चलने से पहले प्राकृतिक भाषा में अपने विचारों को बोलकर व्यक्त कर सके, ठीक वैसे ही जैसे एक मानव चालक अपने विचारों का वर्णन करता है।
हालाँकि, एक नया अध्ययन बताता है कि एक मशीन के लिए, वाक्यों में बोलना सोचने का सबसे कुशल तरीका नहीं है। एनवीडिया (NVIDIA) और टेक्सास विश्वविद्यालय, ऑस्टिन के डेटा के साथ काम करने वाले शोधकर्ताओं ने पाया कि कंप्यूटर को अपने तर्क को समझाने के लिए टेक्स्ट की एक धारा उत्पन्न करने के लिए मजबूर करने से उसकी गति धीमी हो जाती है और इससे गलतियाँ भी हो सकती हैं। इसके बजाय, उन्होंने LCDrive नामक एक प्रणाली विकसित की है जो संख्याओं और पैटर्न से बनी एक शांत, आंतरिक भाषा में सोचती है। यह प्रणाली "आगे वाली कार धीमी हो रही है" जैसे शब्द नहीं लिखती है। इसके बजाय, यह तुरंत अपने कार्यों के भविष्य के परिणामों को एक संक्षिप्त, गणितीय स्थान में सिम्युलेट (simulate) करती है, जिससे यह तेज़ और सुरक्षित निर्णय लेने में सक्षम होती है।
इस कार्य के पीछे का मूल विचार पारंपरिक आर्टिफिशियल इंटेलिजेंस की बातूनी और शब्दबहुल तर्क प्रक्रिया को एक सुव्यवस्थित, शांत प्रक्रिया से बदलना है। अतीत में, शोधकर्ताओं ने सेल्फ-ड्राइविंग कारों की मदद करने के लिए उन्हें टेक्स्ट की एक श्रृंखला, यानी अंग्रेजी में एक "विचार प्रक्रिया" उत्पन्न करने के लिए प्रेरित किया था, जो किसी भी ड्राइविंग पैंतरेबाज़ी से पहले होती थी। जबकि यह मानवीय बातचीत की नकल करता है, शोधकर्ताओं का तर्क है कि यह ड्राइविंग की क्षणिक मांगों के लिए उपयुक्त नहीं है। प्राकृतिक भाषा उत्पन्न करने में धीमी होती है और अक्सर सड़क की सटीक ज्यामिति या कई वाहनों के बीच होने वाली जटिल अंतःक्रियाओं को पकड़ने में विफल रहती है। एक मोड़ का वर्णन करने वाला वाक्य उस वास्तविक स्टीयरिंग कोण के साथ पूरी तरह से मेल नहीं खा सकता जिसे कार को लेना चाहिए, जिससे कंप्यूटर जो कहता है और जो वह करता है, उसके बीच एक अंतर पैदा हो जाता है।
इसे हल करने के लिए, टीम ने एक मॉडल बनाया जो "लेटेंट" (latent) स्पेस में तर्क करता है, जो कंप्यूटर के मस्तिष्क की एक छिपी हुई परत है जहाँ जानकारी शब्दों के बजाय घने पैटर्न के रूप में संग्रहीत होती है। इस नई प्रणाली में, कार सड़क के बारे में कहानी नहीं लिखती है। इसके बजाय, यह तेजी से आंतरिक चरणों के एक क्रम से गुजरती है: यह एक संभावित क्रिया प्रस्तावित करती है, जैसे कि थोड़ा सा मोड़, और तुरंत सिम्युलेट करती है कि यदि वह क्रिया की गई तो एक सेकंड बाद दुनिया कैसी दिखेगी। फिर यह एक और क्रिया प्रस्तावित करती है और उस भविष्य को भी सिम्युलेट करती है। यह एक सेकंड के बहुत छोटे हिस्से में होता है, जिसमें कंप्यूटर सबसे सुरक्षित पथ चुनने के लिए इन शांत सिमुलेशन की तुलना करता है। यह प्रणाली वर्तमान दृश्य से सीधे इन भविष्य के परिणामों की भविष्यवाणी करने के लिए प्रशिक्षित है, जो प्रभावी रूप से बिना कभी बोले, भविष्य की सड़क के बारे में "सपने" देखना सीख लेती है।
शोधकर्ताओं ने वास्तविक दुनिया के ड्राइविंग लॉग्स के एक विशाल डेटासेट पर इस दृष्टिकोण का परीक्षण किया, जिसमें जटिल शहरी वातावरणों के 1,700 घंटों से अधिक का फुटेज शामिल था। उन्होंने अपने शांत, लेटेंट-थिंकिंग मॉडल की तुलना दो अन्य प्रकार के सिस्टम से की: एक जो बिना किसी तर्क के निर्णय लेता था, और दूसरा जिसने पारंपरिक टेक्स्ट-आधारित तर्क का उपयोग किया था। परिणामों ने दिखाया कि शांत मॉडल काफी तेज़ और अधिक सटीक था। इसने ड्राइविंग पथ ऐसे बनाए जो एक मानव विशेषज्ञ के चलाने के तरीके के बहुत करीब थे, जिसमें स्थिति संबंधी त्रुटियां कम थीं और ड्राइविंग लेन छोड़ने या अन्य वाहनों से टकराने की दर बहुत कम थी।
शायद सबसे महत्वपूर्ण बात यह है कि साइलेंट रीजनिंग सिस्टम (शांत तर्क प्रणाली) ने 'रिनफोर्समेंट लर्निंग' नामक तकनीक के साथ प्रशिक्षण के दौरान अधिक अनुकूलन क्षमता दिखाई। इस चरण में, कंप्यूटर एक लूप में ड्राइविंग का अभ्यास करता है, इस पर फीडबैक प्राप्त करता है कि उसने कैसा प्रदर्शन किया और अगली बार बेहतर करने के लिए अपने आंतरिक तर्क को समायोजित करता है। टेक्स्ट-आधारित सिस्टम इस अभ्यास के साथ सुधार करने में संघर्ष करता था, अक्सर अपने बोले गए विचारों को अपनी वास्तविक ड्राइविंग क्रियाओं से जोड़ने में विफल रहता था। इसके विपरीत, साइलेंट सिस्टम ने फल-फूल कर प्रदर्शन किया, अपने आंतरिक सिमुलेशन का उपयोग करके अपने निर्णयों को परिष्कृत किया और स्पष्ट रूप से सुरक्षित और अधिक सटीक बना। अध्ययन में पाया गया कि इस दृष्टिकोण ने कार के पथ और आदर्श पथ के बीच की औसत दूरी को एक महत्वपूर्ण अंतर से कम कर दिया, विशेष रूप से ट्रैफ़िक में विलय करने या व्यस्त चौराहों से गुजरने जैसी कठिन स्थितियों में।
इस पद्धति की सफलता इस बात का सुझाव देती है कि मशीनों के लिए, सोचने का सबसे प्रभावी तरीका बात करना नहीं है। भाषा की अक्षमताओं को हटाकर और सीधे मशीन की अपनी भविष्यवाणियों की भाषा में तर्क करके, सिस्टम समन्वय का एक ऐसा स्तर प्राप्त करता है जो टेक्स्ट-आधारित मॉडल के पास नहीं है। शोधकर्ता नोट करते हैं कि जबकि उनकी प्रणाली अत्यधिक प्रभावी है, यह वर्तमान में एक प्रशिक्षण प्रक्रिया पर निर्भर करती है जिसमें अन्य वाहनों की स्थिति के सटीक डेटा की आवश्यकता होती है, जिसे बड़े पैमाने पर एकत्र करना कठिन हो सकता है। वे यह भी स्वीकार करते हैं कि चूंकि तर्क एक छिपे हुए गणितीय स्थान में होता है, इसलिए मनुषनों के लिए सिस्टम के भीतर झांकना और यह देखना कठिन है कि वह वास्तव में क्या सोच रहा है, जो कि एक टेक्स्ट-आधारित सिस्टम के विपरीत है जो अपना तर्क प्रिंट कर सकता है।
इन सीमाओं के बावजूद, ये निष्कर्ष स्वायत्त ड्राइविंग के भविष्य के लिए एक स्पष्ट दिशा प्रदान करते। अध्ययन यह प्रदर्शित करता है कि सेल्फ-ड्राइविंग कारों के लिए सबसे उन्नत तर्क बिल्कुल भी मानवीय बातचीत जैसा नहीं हो सकता है। इसके बजाय, यह संभावनाओं की एक तीव्र, शांत गणना की तरह है, जहाँ वाहन लगातार वास्तविकता के विरुद्ध अपने भविष्य की जाँच करता रहता है। बोलने से सिमुलेशन की ओर यह बदलाव कार को उस गति और सटीकता के साथ प्रतिक्रिया करने की अनुमति देता है जो मानव ड्राइविंग की सहज प्रकृति को दर्शाता है, यह सिद्ध करता है कि कभी-कभी एक जटिल समस्या को हल करने का सबसे अच्छा तरीका बात करना बंद करना और केवल उसी भाषा में सोचना है जो वास्तव में मायने रखती है: स्वयं भविष्य।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।