Foundation Models and Agentic AI for Autonomous Driving: A Systematic Review
यह व्यवस्थित समीक्षा 100 से अधिक कार्यों को संश्लेषित करके एक एकीकृत नौ-विषय वर्गीकरण प्रस्तुत करती है जो फाउंडेशन मॉडल्स, एजेंटिक एआई और सहकारी वी2एक्स (V2X) प्रणालियों को एकीकृत करता है, जो स्वायत्त ड्राइविंग के लिए एक व्यापक संज्ञानात्मक-वास्तुकला परिप्रेक्ष्य के भीतर तर्क-दक्षता व्यापार-बंद (reasoning–efficiency trade-off), सिमुलेशन-टू-रियलिटी अंतराल और सुरक्षा शासन को संयुक्त रूप से संबोधित करके पूर्व सर्वेक्षणों से स्वयं को अलग करती है।
मूल पेपर CC BY 4.0 (https://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
एक वास्तव में स्व-चालित कार (self-driving car) का मार्ग लंबे समय से एक विशिष्ट प्रकार की इंजीनियरिंग द्वारा निर्मित रहा है: एक कठोर असेंबली लाइन जहाँ एक कंप्यूटर भाग दुनिया को देखता है, दूसरा भाग निर्णय लेता है कि क्या करना है, और तीसरा भाग पहिए को घुमाता है। वर्षों तक, यह मॉड्यूलर दृष्टिकोण कारों को चलाने के लिए पर्याप्त रूप से काम करता रहा, लेकिन जब इसे वास्तविक जीवन की अव्यवस्थित और अप्रत्याशित प्रकृति का सामना करना पड़ा, तो इसे संघर्ष करना पड़ा। एक मानव चालक केवल लाल बत्ती को नहीं देखता; वे निर्माण क्षेत्र के संदर्भ, एक पैदल यात्री के इरादे और एक पास से गुजरती एम्बुलेंस की तात्कालिकता को समझते हैं, और साथ ही अपने कार्यों के बारे में यात्री को समझाते भी हैं। कठोर कोड और मानवीय अंतर्ज्ञान के बीच के अंतर को पाटने के लिए, शोधकर्ताओं ने 'फाउंडेशन मॉडल्स' के रूप में जानी जाने वाली कृत्रिम बुद्धिमत्ता की एक नई श्रेणी की ओर रुख करना शुरू कर दिया है। ये विशाल प्रणालियाँ हैं जिन्हें बड़ी मात्रा में टेक्स्ट और छवियों पर प्रशिक्षित किया गया है, जो भाषा और दृष्टि (vision) को एक साथ समझने में सक्षम हैं। ड्राइविंग में लागू होने पर, वे वाहनों को सरल स्वचालित मशीनों से बदलकर संज्ञानात्मक भागीदारों (cognitive partners) में बदलने का वादा करती हैं, जो जटिल यातायात स्थितियों के बारे में तर्क कर सकते हैं, साधारण अंग्रेजी में अपने विकल्पों को समझा सकते हैं, और उन परिदृश्यों के अनुकूल हो सकते हैं जिन्हें उन्होंने पहले कभी नहीं देखा है।
सितंबर 2026 में भारत, मलेशिया, संयुक्त अरब अमीरात और सऊदी अरब के संस्थानों के शोधकर्ताओं की एक टीम द्वारा प्रकाशित एक व्यापक समीक्षा इस तेजी से बदलते परिदृश्य का मानचित्र तैयार करती है। ए. श्रीनिवास और जेस्विन के एफ के नेतृत्व में लेखकों ने केवल नए गैजेट्स की सूची नहीं बनाई; उन्होंने यह समझने के लिए सौ से अधिक हालिया अध्ययनों का व्यवस्थित विश्लेषण किया कि इन शक्तिशाली भाषा और विजन मॉडल्स को स्वायत्त ड्राइविंग (autonomous driving) के ताने-बाने में कैसे बुना जा रहा है। उनका कार्य प्रकट करता है कि यह क्षेत्र अलग-थलग पड़ी धारणा प्रणालियों (perception systems) से हटकर एक एकीकृत "संज्ञानात्मक वास्तुकला" (cognitive architecture) की ओर बढ़ रहा है। इस नए दृष्टिकोण में, कार केवल सेंसरों पर प्रतिक्रिया नहीं दे रही है, बल्कि वह दुनिया के बारे में सक्रिय रूप से तर्क कर रही है, जानकारी एकत्र करने के लिए उपकरणों का उपयोग कर रही है, और सुरक्षित रूप से नेविगेट करने के लिए अन्य वाहनों और शहर के बुनियादी ढांचे के साथ सहयोग कर रही है।
यह समीक्षा इस बात पर प्रकाश डालती है कि इन प्रणालियों को बनाने के तरीके में एक महत्वपूर्ण विकास हुआ है। शुरुआती प्रयासों में देखने और सोचने के लिए अलग-अलग मॉड्यूल पर भरोसा किया जाता था, लेकिन नवीनतम शोध 'विज़न-लैंग्वेज-एक्शन' मॉडल्स पर केंद्रित है। ये प्रणालियाँ एक दृश्य को देखने, उसका वर्णन करने वाली भाषा को समझने और सीधे वाहन की गतिविधियों को नियंत्रित करने की क्षमता को एक एकल, सुसंगत प्रक्रिया में जोड़ती हैं। उदाहरण के लिए, केवल एक पैदल यात्री का पता लगाने के बजाय, इन मॉडल्स का उपयोग करने वाली प्रणाली यह समझ सकती है कि एक साइन बोर्ड पर "स्कूल ज़ोन" लिखा है और यह तर्क दे सकती है कि उसे धीमा हो जाना चाहिए, भले ही पैदल यात्री अभी दिखाई न दे रहा हो। शोधकर्ताओं ने पाया कि 'ड्राइव एमएलएम' (DriveMLM) और 'टेल-ड्राइव' (TeLL-Drive) जैसे फ्रेमवर्क पहले से ही निर्णय लेने की क्षमता में सुधार करने और कार के सोचने में लगने वाले समय को कम करने में सक्षम प्रदर्शन कर रहे हैं। 'कारला' (CARLA) नामक सिमुलेशन वातावरण का उपयोग करते हुए एक विशिष्ट परीक्षण में, 'ड्राइव एमएलएम' ने CARLA Town05 Long ड्राइविंग स्कोर पर विशेष रूप से 4.7 अंक सुधार किए, क्योंकि इसने अपनी दृश्य समझ को अपने नियोजन निर्णयों के साथ बेहतर ढंग से संरेखित किया।
हालाँकि, पूर्णतः स्वायत्त भविष्य का मार्ग महत्वपूर्ण बाधाओं के बिना नहीं है, और समीक्षा कंप्यूटर सिमुलेशन में जो काम करता है और वास्तविक सड़क पर जो काम करता है, उसके बीच अंतर करने में सावधानी बरतती है। लेखक एक निरंतर "सिमुलेशन-टू-रियलिटी गैप" (सिमुलेशन से वास्तविकता का अंतर) की ओर इशारा करते हैं। जबकि कई उन्नत मॉडल CARLA या nuScenes जैसी आभासी दुनिया में प्रभावशाली प्रदर्शन करते हैं, वे वास्तविक दुनिया की स्थितियों में स्थानांतरित होने पर अक्सर संघर्ष करते हैं। यह अंतर काफी बड़ा है; कुछ मामलों में, वास्तविक दुनिया में जाने पर सहकारी धारणा प्रणालियों (cooperative perception systems) का प्रदर्शन सिमुलेशन वातावरण की तुलना में 40 प्रतिशत तक गिर जाता है। ऐसा इसलिए है क्योंकि सिमुलेशन का सटीक, पूर्वानुमेय डेटा वास्तविक ट्रैफ़िक, मौसम और मानवीय व्यवहार की अराजक अनिश्चितता को पूरी तरह से कैप्चर नहीं कर सकता। इसके अलावा, वे विशेषताएँ जो इन मॉडल्स को स्मार्ट बनाती हैं—उनकी जटिल विचारों की श्रृंखला के माध्यम से तर्क करने की क्षमता—उन्हें धीमा भी बनाती हैं। एक बड़े भाषा मॉडल (large language model) को "सोचने" में लगने वाला समय आपातकालीन स्थिति में आवश्यक क्षणिक निर्णयों के लिए बहुत लंबा हो सकता है, जो बुद्धिमत्ता और गति के बीच एक कठिन समझौता पैदा करता है।
समीक्षा का एक अन्य महत्वपूर्ण निष्कर्ष 'एकीकृत सुरक्षा ढांचे' का अभाव है। वर्तमान में, सुरक्षा जाँच, वाहनों के बीच संचार और स्वयं कृत्रिम बुद्धिमत्ता को अक्सर अलग-अलग समस्याओं के रूप में माना जाता है। शोधकर्ताओं का तर्क है कि इन प्रणालियों पर भरोसा करने के लिए, उन्हें एक समग्र दृष्टिकोण की आवश्यकता है जो तर्क प्रक्रिया में सुरक्षा सत्यापन को सीधे एकीकृत करता है। वे नोट करते हैं कि हालांकि 'डिजिटल ट्विन्स'—शहरों के अत्यधिक विस्तृत आभासी प्रतिकृति—का उपयोग करके इन प्रणालियों का परीक्षण करने में कुछ प्रगति हुई है, लेकिन इस बात को मापने का कोई मानकीकृत तरीका नहीं है कि ये आभासी दुनिया वास्तविकता से कितनी मेल खाती है। इस मानक के बिना, यह प्रमाणित करना कठिन है कि एक कार वास्तव में सार्वजनिक सड़कों के लिए सुरक्षित है। समीक्षा "एजेंटिक एआई" (agentic AI) की उभरती अवधारणा को भी छूती है, जहाँ कार स्मृति और उपकरणों का उपयोग करने की क्षमता के साथ एक स्वतंत्र एजेंट के रूप में कार्य करती है। जबकि यह वाहनों के लिए अनुभव से सीखने और एक-दूसरे के साथ सहयोग करने का वादा करता है, लेखक चेतावनी देते हैं कि ये प्रणालियाँ अभी भी अपने प्रारंभिक चरण में हैं और इंटरऑपरेबिलिटी (interoperability) तथा विश्वसनीयता की चुनौतियों का सामना कर रही हैं।
पत्र भविष्य के लिए एक स्पष्ट रोडमैप की रूपरेखा तैयार करते हुए समाप्त होता है, जो इस बात पर जोर देता है कि अगली पीढ़ी की स्वायत्त ड्राइविंग केवल एक एकल सफलता से नहीं, बल्कि कई जटिल तकनीकों के एकीकरण से परिभाषित होगी। शोधकर्ताओं का सुझाव है कि भविष्य हाइब्रिड प्रणालियों में निहित है जो पारंपरिक नियंत्रण प्रणालियों की गति को बड़े भाषा मॉडल्स की तर्क शक्ति के साथ जोड़ती हैं, और जिसे मजबूत संचार नेटवर्क द्वारा समर्थित किया जाता है जो कारों को एक-दूसरे और शहर के बुनियादी ढांचे से बात करने की अनुमति देता है। वे जोर देते हैं कि इन प्रणालियों के वास्तविकता बनने के लिए, उद्योग को इन शक्तिशाली मॉडल्स को वास्तविक समय के उपयोग के लिए पर्याप्त तेज़, प्रमाणित करने के लिए पर्याप्त सुरक्षित और मनुष्यों के भरोसे के लिए पर्याप्त पारदर्शी बनाने की समस्या को हल करना होगा। एक ऐसी कार से जो केवल एक लेन का अनुसरण करती है, एक ऐसी कार तक की यात्रा जो दुनिया को समझती है और उसके बारे में तर्क करती है, जारी है, लेकिन अंतिम मील को कृत्रिम बुद्धिमत्ता और इंजीनियरिंग की कुछ सबसे कठिन चुनौतियों को हल करने की आवश्यकता है।
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।