CoLMIN: LLM-based Multi-Decision Path Negotiation for Cooperative Autonomous Driving

अकेले कार चलाना निर्णय लेने का एक एकांत कार्य है, लेकिन भीड़ में गाड़ी चलाना एक निरंतर, मौन संवाद है। दशकों से, इंजीनियरों ने मशीनों को वह संवाद करना सिखाने की कोशिश की है, इस उम्मीद में कि यदि कारें अपने इरादों को साझा कर सकें और अपनी गतिविधियों में समन्वय बिठा सकें, तो यातायात अधिक सुरक्षित और सुचारू रूप से चलेगा। शुरुआती प्रयासों ने कठोर नियमों या जटिल गणितीय सूत्रों पर भरोसा किया, लेकिन ये अक्सर वास्तविक जीवन की अव्यवस्थित अप्रत्याशितता का सामना करने में संघर्ष करते रहे। हाल ही में, शोधकर्ताओं ने बड़े भाषा मॉडल (लार्ज लैंग्वेज मॉडल्स)—विशाल मानवीय पाठ पर प्रशिक्षित शक्तिशाली कंप्यूटर सिस्टम—का उपयोग करना शुरू किया ताकि कारें एक-दूसरे से "बात" कर सकें। ये सिस्टम जटिल स्थितियों के माध्यम से उसी तरह तर्क कर सकते हैं जैसे एक मानव चालक करता है, विकल्पों को तौलते हैं और यह तय करते हैं कि पहले किसे जाना चाहिए। हालाँकि, इन नए दृष्टिकोणों में एक गंभीर दोष उभर कर आया है: जब कारें बातचीत करती हैं, तो वे अक्सर फंस जाती हैं। यदि दो वाहन एक एकल, निश्चित योजना प्रस्तावित करते हैं और उनमें असहमति होती है, तो वे अपनी बात पर अड़ जाते हैं, और तब तक पीछे नहीं हटते जब तक कि बातचीत विफल न हो जाए, जिससे संभावित रूप से टक्कर या ट्रैफिक जाम की स्थिति बन सकती है।

इसे हल करने के लिए, शोधकर्ताओं की एक टीम ने CoLMIN नामक एक नया ढांचा विकसित किया है, जो स्वायत्त वाहनों (ऑटोनॉमस व्हीकल्स) के बातचीत करने के तरीके को बदल देता है। प्रत्येक कार को केवल एक ही रास्ता चुनने और उसके लिए बहस करने के लिए मजबूर करने के बजाय, CoLMIN प्रत्येक वाहन को एक साथ कई अलग-अलग, सुरक्षित विकल्प उत्पन्न करने के लिए प्रोत्साहित करता है। कल्पना कीजिए कि लोगों का एक समूह यह तय करने की कोशिश कर रहा है कि कहाँ खाना खाएं; यदि हर कोई केवल एक ही रेस्टोरेंट के लिए जिद करता है, तो समूह कभी सहमत नहीं हो पाएगा। लेकिन यदि हर कोई कुछ अलग-अलग जगहों के सुझाव देता है, तो समूह के पास एक ऐसा समाधान खोजने की बहुत बेहतर संभावना होती है जो सभी के लिए काम करे। इसी तरह, CoLMIN कारों को उनके पड़ोसियों के सामने संभावित कार्यों का एक 'मेन्यू' प्रस्तुत करने की अनुमति देता है। इसके बाद सिस्टम इन विकल्पों का मूल्यांकन करता है, और उस संयोजन की तलाश करता है जो सभी को सुरक्षित और कुशल बनाए रखे। यदि शुरुआती सुझावों से सहमति नहीं बनती है, तो सिस्टम केवल उसी तर्क को दोहराता नहीं है। यह योजनाओं को बेहतर बनाने के लिए त्वरित, विशिष्ट सलाह देने हेतु "शैलो रिफ्लेक्शन" (उथला प्रतिबिंब) का उपयोग करता है, और यदि कारें अभी भी जिद्दी दिखती हैं, तो एक "डीप रिफ्लेक्शन" (गहरा प्रतिबिंब) तंत्र हस्तक्षेप करता है और उन्हें पूरी तरह से नई रणनीतियों पर विचार करने की याद दिलाता है, जिससे वे अनुत्पादक चक्रों में फंसने से बच जाती हैं।

शोधकर्ताओं ने एक व्यस्त शहर के हाई-फिडेलिटी कंप्यूटर सिमुलेशन में इस प्रणाली का परीक्षण किया, जिसमें उन्होंने अपनी नई पद्धति को दस विभिन्न चुनौतीपूर्ण परिदृश्यों, जिनमें जटिल चौराहे और कठिन लेन परिवर्तन शामिल थे, में मौजूदा तकनीकों के विरुद्ध परखा। परिणामों ने दिखाया कि CoLMIN पिछले तरीकों की तुलना में काफी अधिक प्रभावी था। सबसे कठिन लेन-बदलने वाले परीक्षणों में, इस नई प्रणाली ने सुरक्षा में 8 प्रतिशत का सुधार किया और मौजूदा सर्वोत्तम विकल्प की तुलना में यात्रा को सफलतापूर्वक पूरा करने की समग्र दर में 13 प्रतिशत की वृद्धि की। सिमुलेशन से पता चला कि बातचीत का पुराना तरीका अक्सर गतिरोध (डेडलॉक) की ओर ले जाता था, जहाँ कारें इसलिए जम जाती थीं या दुर्घटनाग्रस्त हो जाती थीं क्योंकि वे अपनी एकल, कठोर योजना को लेकर बहुत आश्वस्त थीं। इसके विपरीत, मल्टी-ऑप्शन (बहु-विकल्प) दृष्टिकोण ने वाहनों को लचीला बनाया, जिससे वे एक बीच का रास्ता खोजने में सक्षम हुए जिसने बिना किसी टक्कर के यातायात को चालू रखा। यह प्रणाली तब भी मजबूत साबित हुई जब इसमें पैदल यात्रियों और साइकिल चालकों जैसे अन्य अप्रत्याशित तत्वों को भी जोड़ा गया, जहाँ अन्य विधियाँ विफल हो गईं।

जो इस दृष्टिकोण को विशेष रूप से आशाजनक बनाता है, वह केवल यह नहीं है कि यह बेहतर काम करता है, बल्कि यह है कि यह कैसे काम करता है। यह सिस्टम एक पल में लिए गए एकल, पूर्ण निर्णय पर निर्भर नहीं है। इसके बजाय, यह पुनर्विचार करने और अनुकूलित होने की मानवीय क्षमता की नकल करता है। जब सिमुलेशन ने दिखाया कि एक प्रस्तावित योजना असुरक्षित या अक्षम थी, तो सिस्टम ने प्रक्षेपवक्र (ट्रैजेक्टरी) को समायोजित करने के लिए तत्काल फीडबैक प्रदान किया। यदि कारें उसी बिंदु पर बहस करती रहीं, तो डीप रिफ्लेक्शन मॉड्यूल ने बातचीत के इतिहास का विश्लेषण किया, यह पहचाना कि वाहन अत्यधिक जिद्दी हो रहे थे, और उन्हें विकल्पों के एक अलग सेट की ओर निर्देशित किया। विकल्पों को उत्पन्न करने, उनका मूल्यांकन करने और पिछली गलतियों पर विचार करने की इस प्रक्रिया ने कारों को पहले की तुलना में बहुत तेज़ी से एक स्थिर समझौते तक पहुँचने में मदद की। वास्तव में, इस नई पद्धति ने समझौते तक पहुँचने के लिए आवश्यक बातचीत के दौरों की संख्या को कम कर दिया और अत्यधिक आत्मविश्वासी, हठधर्मी व्यवहार की दर को काफी कम कर दिया।

हालाँकि ये परिणाम वर्तमान में कंप्यूटर सिमुलेशन तक सीमित हैं, फिर भी वे स्वायत्त ड्राइविंग के भविष्य के लिए एक स्पष्ट मार्ग प्रदान करते हैं। शोधकर्ता स्वीकार करते हैं कि वास्तविक दुनिया की सड़कों में शोर, संचार में देरी और ऐसे मानव चालक शामिल होते हैं जो हमेशा नियमों का पालन नहीं करते, जो एक नियंत्रित डिजिटल वातावरण की तुलना में मॉडल करने में कठिन होते हैं। हालाँकि, इन सिमुलेशन में CoLMIN की सफलता यह सुझाव देती है कि सुरक्षित, सहकारी ड्राइविंग की कुंजी लचीलापन है। यह विचार कि एक कार के पास एक पूर्ण योजना होनी चाहिए, इसे त्यागकर और इस वास्तविकता को अपनाकर कि यातायात की समस्या को हल करने के कई अच्छे तरीके होते हैं, यह नया ढांचा हमें एक ऐसे भविष्य के करीब लाता है जहाँ हमारे वाहन केवल कोड का पालन करने वाली मशीनें नहीं, बल्कि एक साझा, बुद्धिमान संवाद के भागीदार के रूप में दुनिया में एक साथ नेविगेट कर सकेंगे।