ক্যামেরার ছবি সরাসরি ট্র্যাজেক্টোরিতে রূপান্তরিত হয় — এন্ড-টু-এন্ড ড্রাইভিং প্ল্যানারদের মূল প্রতিশ্রুতি এটিই। তবে আপাত সরলতার আড়ালে প্রায়ই একটি অপ্রীতিকর চমক লুকিয়ে থাকে: রেকর্ডিং থেকে ড্রাইভারের আচরণ শেখা একটি মডেল রাস্তার পরিস্থিতির সৎ বিশ্লেষণের চেয়ে সঠিক কাজটি "অনুমান" করার একটি সহজ উপায় খুঁজে পেতে পারে। কারণ-ও-প্রভাব সম্পর্কের পরিবর্তে, এটি প্রায়শই পরিসংখ্যানগত কাকতালীয় ঘটনা ব্যবহার করে যা প্রশিক্ষণ ডেটাতে পাওয়া যায়।
কেন এন্ড-টু-এন্ড প্ল্যানার এলোমেলো বিবরণে আটকে যায়
এন্ড-টু-এন্ড প্ল্যানারদের অনুকরণের নীতিতে প্রশিক্ষণ দেওয়া হয়: তাদের বিশেষজ্ঞের কর্মের উদাহরণ দেখানো হয় এবং আশা করা হয় যে তারা একই রকম পরিস্থিতিতে একই সিদ্ধান্ত পুনরুত্পাদন করবে। এই পদ্ধতিটি কাজ করে যতক্ষণ না ডেটাতে যথেষ্ট বৈচিত্র্য থাকে। সমস্যা হল, বিশেষজ্ঞের ট্র্যাজেক্টোরির পাশে প্রায় সবসময় এমন বস্তু থাকে যা কৌশলের সাথে শুধুমাত্র পরোক্ষভাবে সম্পর্কিত। এটি একটি রাস্তার পাশের চিহ্ন, একটি বিল্ডিংয়ের সম্মুখভাগ, একটি বৈশিষ্ট্যযুক্ত বেড়া বা এমনকি একটি সাধারণ খুঁটিও হতে পারে।
যদি প্রশিক্ষণ সেটে এই ধরনের একটি বস্তু নিয়মিতভাবে এমন মুহূর্তে উপস্থিত হয় যখন ড্রাইভার, উদাহরণস্বরূপ, ব্রেক করে বা লেন পরিবর্তন করে, প্ল্যানার এই সংযোগটি মনে রাখে। আনুষ্ঠানিক দৃষ্টিকোণ থেকে, মডেলটি যেখানে একটি কার্যকারণ সম্পর্ক প্রত্যাশিত ছিল সেখানে একটি পরিসংখ্যানগত নিয়মিততা খুঁজে পায়: এটি বস্তুটিকে কর্মের কারণ হিসাবে বিবেচনা করতে শুরু করে, যদিও বাস্তবে এটি কেবল তার সাথে থাকে। সাধারণ পরিস্থিতিতে এটি লক্ষণীয় নয়, কারণ পারস্পরিক সম্পর্ক প্রকৃত আচরণের সাথে মিলে যায়। কিন্তু রাস্তার পরিস্থিতি বিরল — "লং-টেইল" — হয়ে গেলেই, মিথ্যা নির্ভরতা নিজেকে প্রকাশ করে: মডেলটি যেখানে যাওয়ার প্রয়োজন সেখানে ব্রেক করতে পারে, বা এর বিপরীত।
এই ধরনের কার্যকারণ বিভ্রান্তি নীরব এবং প্রতারক। এটি স্ট্যান্ডার্ড পরীক্ষায় স্পষ্ট ত্রুটি হিসাবে প্রকাশ পায় না, বরং অ-মানক পরিস্থিতিতে স্থিতিস্থাপকতা হ্রাস করে, যার জন্য আধুনিক ড্রাইভার সহায়তা সিস্টেম ডিজাইন করা হয়েছে। তাই ডেটাসেটে কেবল আরও উদাহরণ যোগ করা সাধারণত কাজ করে না: মডেলটি যেকোনো পারস্পরিক সম্পর্ক খুঁজবে যদি সেগুলি প্রশিক্ষণ সেটে ত্রুটি কমাতে সাহায্য করে।
কেন ওপেন-লুপ মেট্রিক্স প্রকৃত কারণ দেখায় না
সিদ্ধান্ত নেওয়ার সময় প্ল্যানারটি ঠিক কী দেখে তা কীভাবে বোঝা যায়? সবচেয়ে সহজ উপায় হল রেকর্ড করা পরিস্থিতিতে এটি চালানো এবং ক্লাসিক ওপেন-লুপ মেট্রিক্স পরিমাপ করা: ট্র্যাজেক্টোরির গড় বর্গক্ষেত্র বিচ্যুতি (L2) এবং সংঘর্ষের ফ্রিকোয়েন্সি। স্বায়ত্তশাসিত ড্রাইভিং মূল্যায়নে এই প্যারামিটারগুলিই প্রায়শই ব্যবহৃত হয়। কিন্তু, গবেষণায় দেখা গেছে, এই ধরনের মেট্রিক্স প্রায় সম্পূর্ণরূপে গাড়ির নিজের বর্তমান অবস্থা দ্বারা নির্ধারিত হয়: তার অবস্থান, গতি এবং ত্বরণ। তারা দৃশ্যের কোন উপাদানগুলি কৌশলকে প্রভাবিত করেছে এই প্রশ্নের উত্তর দেয় না।
দুটি প্ল্যানার কল্পনা করুন: একটি সাবধানে পথচারীকে এড়িয়ে চলে, অন্যটি ফুটপাথের একটি উজ্জ্বল দাগের কারণে ব্রেক করে, যা ডেটাতে পথচারীদের পাশে প্রায়ই ঘটে। ওপেন-লুপ মেট্রিক্সে, উভয়ই কম L2 ত্রুটি এবং শূন্য দুর্ঘটনা দেখাবে — কারণ আউটপুট ট্র্যাজেক্টোরিগুলি একই রকম। কিন্তু দ্বিতীয় ক্ষেত্রে, সিস্টেমটি বাস্তব জগতে অকেজো: যত তাড়াতাড়ি "স্পিউরিয়াস" সংকেত ছাড়া একটি দৃশ্যের সম্মুখীন হয়, প্ল্যানার অভিমুখ হারায়। সাধারণ মেট্রিক্স এটি দেখতে পায় না, তাই আচরণের ভঙ্গুরতা সম্পর্কে সতর্ক করতে পারে না।
পুনঃপ্রশিক্ষণ ছাড়াই কার্যকারণ নিরীক্ষা
মিথ্যা নির্ভরতা সনাক্ত করতে, কার্যকারণ হস্তক্ষেপ প্রয়োজন: দৃশ্যে হস্তক্ষেপ করা, এর পৃথক উপাদান পরিবর্তন করা এবং দেখতে হবে কীভাবে সিদ্ধান্ত পরিবর্তন হয়। যুক্তি সহজ: যদি একটি গুরুত্বহীন পটভূমি বস্তু প্রতিস্থাপনের পরে প্ল্যানারটি নাটকীয়ভাবে ট্র্যাজেক্টোরি পরিবর্তন করে, তার মানে এটি সেই বস্তুর উপর নির্ভর করেছিল। কিন্তু শাস্ত্রীয় কার্যকারণ বিশ্লেষণ পদ্ধতির জন্য মডেলটির পুনঃপ্রশিক্ষণ প্রয়োজন: প্রতিটি হস্তক্ষেপের জন্য একটি বড় নিউরাল নেটওয়ার্কের ওজন আবার আপডেট করতে হয়। ইতিমধ্যে স্থাপন করা প্ল্যানারের জন্য এটি অসম্ভব — বাস্তব ব্যবহারে কারও কাছে প্রতিটি পরীক্ষার পরে পুনঃপ্রশিক্ষণের জন্য অতিরিক্ত সম্পদ নেই।
CADET সংক্ষিপ্ত নামের পিছনে লুকিয়ে থাকা প্রস্তাবের লেখকরা একটি ভিন্ন পথ বেছে নেওয়ার সিদ্ধান্ত নিয়েছেন। তাদের ফ্রেমওয়ার্ক প্রশিক্ষণ-মুক্ত (training-free) কাজ করে এবং প্যারামিটারগুলির সামান্যতম আপডেট ছাড়াই প্রাক-প্রশিক্ষিত এন্ড-টু-এন্ড প্ল্যানারদের পরীক্ষা করতে পারে। ওজন পরিবর্তনের পরিবর্তে, CADET দৃশ্যে নিজেই সুচিন্তিত হস্তক্ষেপ ব্যবহার করে এবং প্ল্যানারের আউটপুট কীভাবে প্রতিক্রিয়া দেখায় তা ট্র্যাক করে।
এই পদ্ধতিটি একসাথে তিনটি সম্ভাবনা উন্মুক্ত করে:
- নিরীক্ষা — প্ল্যানারটি কোন নির্দিষ্ট বস্তুর উপর ভুলভাবে নির্ভর করে তা চিহ্নিত করা;
- বেনচমার্কিং — তাদের সিদ্ধান্তের "গোলমাল" ডিগ্রির উপর ভিত্তি করে বিভিন্ন প্ল্যানারের তুলনা করা;
- সংশোধন — আবার ফাইন-টিউনিং ছাড়াই আউটপুটে মিথ্যা বৈশিষ্ট্যগুলির প্রভাব দুর্বল করা।
ফলাফল হল একটি সর্বজনীন ডায়াগনস্টিক টুল যা যেকোনো প্রস্তুত মডেলে প্রয়োগ করা যেতে পারে। শুধুমাত্র দুর্ঘটনার পরিসংখ্যানের উপর সিস্টেমটি পরীক্ষা করার পরিবর্তে, একজন ডেভেলপার এমন একটি প্রক্রিয়া পায় যা দুর্ঘটনা ঘটার আগেই সম্ভাব্য দুর্ঘটনার কারণ উন্মোচন করে। এটি লং-টেইল পরিস্থিতির জন্য বিশেষভাবে মূল্যবান, যেখানে বাস্তব উদাহরণগুলির একটি সম্পূর্ণ সেট সংগ্রহ করা কার্যত অসম্ভব।
এই ধরনের পদ্ধতি অনুশীলনে কীভাবে কার্যকর করে তোলে
যে ইঞ্জিনিয়াররা একটি গাড়িতে এন্ড-টু-এন্ড প্ল্যানার স্থাপন করেন, তাদের জন্য শুধুমাত্র টেস্ট ট্র্যাকে নির্ভুলতাই গুরুত্বপূর্ণ নয়, আচরণের পূর্বাভাসযোগ্যতাও গুরুত্বপূর্ণ। CADET "সিস্টেমটি কেন এই ট্র্যাজেক্টোরিটি বেছে নিল" এই প্রশ্নের উত্তর দেওয়ার অনুমতি দেয় — এবং বাস্তব পরিবহনে স্থাপনের আগেই এটি করতে দেয়। বিরল পরিস্থিতি রাস্তায় প্রকাশ পাওয়ার জন্য অপেক্ষা করার দরকার নেই; ভার্চুয়াল পরিবেশে একাধিক লক্ষ্যযুক্ত হস্তক্ষেপ পরিচালনা করা এবং দুর্বল পয়েন্টগুলি দেখা যথেষ্ট।
এই ধরনের নিরীক্ষা উন্নয়নের পদ্ধতিও পরিবর্তন করে। যদি আপনার কাছে প্রায় একই রকম ওপেন-লুপ মেট্রিক্স সহ দুটি প্রার্থী মডেল থাকে, তবে আগে পছন্দটি প্রায় এলোমেলো ছিল। এখন আপনি দেখতে পারেন কোন মডেলটি এলোমেলো বৈশিষ্ট্যগুলিতে কম মনোযোগ দেয় এবং সেটিকেই অগ্রাধিকার দিতে পারেন। এমনকি যদি দ্বিতীয় মডেলটি আনুষ্ঠানিকভাবে স্ট্যান্ডার্ড পরীক্ষায় আরও নির্ভুল হয়, তবুও কার্যকারণগতভাবে আরও "পরিষ্কার" সিস্টেমটি বাস্তব জগতের এবং এর অসীম বৈচিত্র্যের সংস্পর্শে টিকে থাকার সম্ভাবনা বেশি।
এটি লক্ষণীয় যে ২০২৬ সালে আবির্ভূত কাজটি ইতিমধ্যে একটি সম্পূর্ণ টুলকিট প্রস্তাব করে, কেবল সমস্যাটি বর্ণনা করে না। এন্ড-টু-এন্ড প্ল্যানাররা স্বায়ত্তশাসিত ড্রাইভিংয়ের সবচেয়ে প্রতিশ্রুতিশীল দিকগুলির মধ্যে একটি, তবে শিল্পে তাদের প্রযোজ্যতা সরাসরি নির্ভর করে আমরা তাদের সিদ্ধান্তের অভ্যন্তরীণ যুক্তি বুঝতে পারি কিনা তার উপর। কার্যকারণ নিরীক্ষা ছাড়া, স্ট্যান্ডার্ড পরিস্থিতিতে উচ্চ নির্ভুলতা কেবল একটি সৌভাগ্যজনক কাকতালীয় ঘটনা থেকে যায়, নিরাপত্তার গ্যারান্টি নয়।
