वास्तव में ड्राइविंग शेड्यूलर किस पर निर्भर करता है, यह कैसे जांचें

कैमरे से मिली छवि सीधे ट्रैजेक्ट्री में बदल जाती है — यही एंड-टू-एंड ड्राइविंग प्लानर का मुख्य वादा है। हालाँकि, इस सरलता के पीछे अक्सर एक अप्रिय आश्चर्य छिपा होता है: रिकॉर्डिंग से ड्राइवर का व्यवहार सीखने वाला मॉडल, सड़क की स्थिति का ईमानदारी से विश्लेषण करने की तुलना में सही कार्रवाई का "अनुमान" लगाने का आसान तरीका खोज सकता है। कारण-और-प्रभाव संबंधों के बजाय, यह अक्सर सांख्यिकीय संयोगों का उपयोग करता है जो प्रशिक्षण डेटा में पाए जाते हैं।

एंड-टू-एंड प्लानर यादृच्छिक विवरणों से क्यों चिपक जाता है

एंड-टू-एंड प्लानर अनुकरण के सिद्धांत पर प्रशिक्षित होते हैं: उन्हें विशेषज्ञ के कार्यों के उदाहरण दिखाए जाते हैं और अपेक्षा की जाती है कि वे समान परिस्थितियों में वही निर्णय दोहराएँगे। यह दृष्टिकोण तब तक काम करता है जब तक डेटा में पर्याप्त विविधता हो। समस्या यह है कि विशेषज्ञ के ट्रैजेक्ट्री के पास लगभग हमेशा ऐसी वस्तुएँ होती हैं जो युद्धाभ्यास से केवल अप्रत्यक्ष रूप से संबंधित होती हैं। यह सड़क के किनारे का संकेत, किसी इमारत का अग्रभाग, एक विशिष्ट बाड़ या यहाँ तक कि एक साधारण खंभा भी हो सकता है।

यदि प्रशिक्षण सेट में ऐसी वस्तु नियमित रूप से उन क्षणों में दिखाई देती है जब ड्राइवर, उदाहरण के लिए, ब्रेक लगाता है या लेन बदलता है, तो प्लानर इस संबंध को याद रखता है। औपचारिक दृष्टिकोण से, मॉडल वहाँ एक सांख्यिकीय पैटर्न पाता है जहाँ कारणात्मक पैटर्न की अपेक्षा की गई थी: यह वस्तु को क्रिया का कारण मानने लगता है, जबकि वास्तव में यह केवल उसके साथ होती है। सामान्य परिदृश्यों में यह ध्यान देने योग्य नहीं होता, क्योंकि सहसंबंध वास्तविक व्यवहार से मेल खाता है। लेकिन जैसे ही सड़क की स्थिति दुर्लभ — "लंबी-पूंछ" — हो जाती है, झूठी निर्भरता अपना प्रभाव दिखाती है: मॉडल वहाँ ब्रेक लगा सकता है जहाँ आगे बढ़ना आवश्यक है, या इसके विपरीत।

ऐसा कारणात्मक भ्रम शांत और कपटी होता है। यह मानक परीक्षणों पर स्पष्ट त्रुटि के रूप में प्रकट नहीं होता, बल्कि ठीक उन्हीं गैर-मानक स्थितियों में मजबूती को कम करता है, जिनके लिए आधुनिक ड्राइवर सहायता प्रणालियाँ डिज़ाइन की गई हैं। इसलिए डेटासेट में केवल अधिक उदाहरण जोड़ना आमतौर पर काम नहीं करता: मॉडल फिर भी किसी भी सहसंबंध की तलाश करेगा, यदि वे प्रशिक्षण सेट पर त्रुटि को कम करने में मदद करते हैं।

ओपन-लूप मेट्रिक्स वास्तविक कारण क्यों नहीं दिखाते

यह कैसे समझें कि निर्णय लेते समय प्लानर वास्तव में क्या देख रहा है? सबसे आसान तरीका है इसे रिकॉर्ड किए गए परिदृश्यों पर चलाना और क्लासिक ओपन-लूप मेट्रिक्स मापना: ट्रैजेक्ट्री का माध्य वर्ग विचलन (L2) और टक्करों की आवृत्ति। ये वही पैरामीटर हैं जिनका उपयोग अक्सर स्वायत्त ड्राइविंग के मूल्यांकन में किया जाता है। लेकिन, जैसा कि शोध से पता चलता है, ऐसे मेट्रिक्स लगभग पूरी तरह से कार की वर्तमान स्थिति से निर्धारित होते हैं: उसकी स्थिति, गति और त्वरण। वे इस सवाल का जवाब नहीं देते कि दृश्य के किन तत्वों ने युद्धाभ्यास को प्रभावित किया।

दो प्लानरों की कल्पना करें: एक सावधानी से पैदल यात्री को बायपास करता है, दूसरा फुटपाथ पर एक चमकीले धब्बे के कारण ब्रेक लगाता है जो डेटा में पैदल चलने वालों के पास अक्सर संयोग से पाया जाता है। ओपन-लूप मेट्रिक्स पर दोनों कम L2 त्रुटि और शून्य दुर्घटना दर दिखाएँगे — क्योंकि आउटपुट ट्रैजेक्ट्री समान हैं। लेकिन दूसरे मामले में, सिस्टम वास्तविक दुनिया में बेकार है: जैसे ही "स्प्यूरियस" सिग्नल के बिना कोई दृश्य मिलता है, प्लानर भटक जाता है। सामान्य मेट्रिक्स इसे नहीं देखते हैं, इसलिए वे व्यवहार की नाजुकता के बारे में चेतावनी नहीं दे सकते।

पुनः प्रशिक्षण के बिना कारणात्मक ऑडिट

झूठी निर्भरता का पता लगाने के लिए कारणात्मक हस्तक्षेप की आवश्यकता होती है: दृश्य में हस्तक्षेप करना, उसके अलग-अलग तत्वों को बदलना और यह देखना आवश्यक है कि निर्णय कैसे बदलता है। तर्क सरल है: यदि एक महत्वहीन पृष्ठभूमि वस्तु को बदलने के बाद प्लानर अचानक अपनी ट्रैजेक्ट्री बदल देता है, तो इसका मतलब है कि उसने ठीक उसी वस्तु पर भरोसा किया था। लेकिन कारणात्मक विश्लेषण के शास्त्रीय तरीकों के लिए मॉडल के पुनः प्रशिक्षण की आवश्यकता होती है: प्रत्येक हस्तक्षेप के लिए एक बड़े तंत्रिका नेटवर्क के वजन को फिर से अपडेट करना पड़ता है। पहले से तैनात प्लानर के लिए यह असंभव है — वास्तविक संचालन में किसी के पास प्रत्येक परीक्षण के बाद पुनः प्रशिक्षण के लिए अतिरिक्त संसाधन नहीं होते।

CADET संक्षिप्त नाम के पीछे छिपे प्रस्ताव के लेखकों ने एक अलग रास्ता अपनाने का फैसला किया। उनका फ्रेमवर्क प्रशिक्षण के बिना (training-free) काम करता है और पैरामीटर के मामूली अपडेट के बिना पूर्व-प्रशिक्षित एंड-टू-एंड प्लानरों की जांच कर सकता है। वजन बदलने के बजाय, CADET दृश्य में ही सुविचारित हस्तक्षेप का उपयोग करता है और ट्रैक करता है कि प्लानर का आउटपुट कैसे प्रतिक्रिया करता है।

यह दृष्टिकोण एक साथ तीन संभावनाएँ खोलता है:

• ऑडिट — उन विशिष्ट वस्तुओं की पहचान करना जिन पर प्लानर गलत तरीके से निर्भर करता है;
• बेंचमार्किंग — उनके निर्णयों में "शोर" की डिग्री के आधार पर विभिन्न प्लानरों की तुलना करना;
• सुधार — फिर से बिना अतिरिक्त प्रशिक्षण के, आउटपुट पर झूठे संकेतों के प्रभाव को कमजोर करना।

परिणाम एक सार्वभौमिक निदान उपकरण है जिसे किसी भी तैयार मॉडल पर लागू किया जा सकता है। सिस्टम का परीक्षण केवल दुर्घटना आँकड़ों पर करने के बजाय, डेवलपर को एक ऐसा तंत्र मिलता है जो संभावित दुर्घटना के घटित होने से पहले ही उसका कारण उजागर कर देता है। यह विशेष रूप से लंबी-पूंछ वाले परिदृश्यों के लिए मूल्यवान है, जहाँ वास्तविक उदाहरणों का पूरा सेट इकट्ठा करना लगभग असंभव है।

ऐसा दृष्टिकोण व्यवहार में क्या उपयोगी बनाता है

उन इंजीनियरों के लिए जो कार में एंड-टू-एंड प्लानर लागू कर रहे हैं, न केवल टेस्ट ट्रैक पर सटीकता महत्वपूर्ण है, बल्कि व्यवहार की पूर्वानुमेयता भी महत्वपूर्ण है। CADET "सिस्टम ने यह ट्रैजेक्ट्री क्यों चुनी" प्रश्न का उत्तर देने की अनुमति देता है — और इसे वास्तविक परिवहन में तैनाती से पहले करने की अनुमति देता है। दुर्लभ स्थिति के सड़क पर प्रकट होने की प्रतीक्षा करने की आवश्यकता नहीं है; आभासी वातावरण में लक्षित हस्तक्षेपों की एक श्रृंखला आयोजित करना और कमजोर बिंदुओं को देखना पर्याप्त है।

ऐसा ऑडिट विकास के दृष्टिकोण को भी बदल देता है। यदि आपके पास लगभग समान ओपन-लूप मेट्रिक्स वाले दो उम्मीदवार मॉडल हैं, तो पहले चुनाव लगभग यादृच्छिक था। अब आप देख सकते हैं कि कौन सा मॉडल यादृच्छिक विशेषताओं पर कम ध्यान देता है, और उसे प्राथमिकता दें। भले ही दूसरा मॉडल मानक परीक्षणों पर औपचारिक रूप से अधिक सटीक हो, कारणात्मक रूप से अधिक "स्वच्छ" प्रणाली के वास्तविक दुनिया और उसकी अनंत विविधता के संपर्क में आने की संभावना अधिक होती है।

यह उल्लेखनीय है कि 2026 में सामने आया काम पहले से ही एक पूर्ण टूलकिट प्रदान करता है, न कि केवल समस्या का वर्णन करता है। एंड-टू-एंड प्लानर स्वायत्त ड्राइविंग में सबसे आशाजनक दिशाओं में से एक हैं, लेकिन उद्योग में उनकी प्रयोज्यता सीधे तौर पर इस बात पर निर्भर करती है कि क्या हम उनके निर्णयों के आंतरिक तर्क को समझ सकते हैं। कारणात्मक ऑडिट के बिना, मानक परिदृश्यों पर उच्च सटीकता केवल एक सुखद संयोग बनकर रह जाती है, न कि सुरक्षा की गारंटी।