سیاستهای رانندگی مبتنی بر داده و قوانین رانندگی کدنویسیشده با دست، دو رویکرد متضاد برای ایجاد رفتار رانندگی خودکار هستند. یکی مستقیماً از دادههای دنیای واقعی با استفاده از یادگیری ماشین یاد میگیرد، در حالی که دیگری به منطق صریح طراحیشده توسط مهندسان متکی است. هدف هر دو رویکرد، تضمین کنترل ایمن و قابل اعتماد خودرو است، اما در انعطافپذیری، مقیاسپذیری و قابلیت تفسیر متفاوت است.
سیستمهای رانندگی مبتنی بر هوش مصنوعی که با استفاده از مدلهای یادگیری ماشین، رفتار را از مجموعه دادههای بزرگ یاد میگیرند.
سیستمهای سنتی که در آنها رفتار رانندگی به صراحت با استفاده از منطق اگر-آنگاه و قوانین مهندسیشده تعریف میشود.
| ویژگی | سیاستهای رانندگی مبتنی بر داده | قوانین رانندگی با کد دستی |
|---|---|---|
| رویکرد اصلی | از دادهها یاد میگیرد | تعریف شده توسط قوانین صریح |
| انعطافپذیری | انعطافپذیری بالا در سناریوهای جدید | سفت و سخت و مقید به قانون |
| مقیاسپذیری | مقیاسهایی با دادههای بیشتر | به دلیل پیچیدگی قوانین، مقیاسپذیری آن دشوار است |
| تفسیرپذیری | اغلب کم (مدلهای جعبه سیاه) | بسیار بالا (منطق کاملاً شفاف) |
| تلاش برای توسعه | جمعآوری دادهها و آموزش سنگین | مهندسی و طراحی قوانین سنگین |
| عملکرد در سناریوهای پیچیده | قوی در محیطهای بدون ساختار | با مشکل انفجار لبهای (edge-case explosion) دست و پنجه نرم میکند |
| مکانیسم بهروزرسانی | از طریق آموزش مجدد بهبود یافته است | با بازنویسی دستی قوانین، بهروزرسانی شد |
| رفتار شکست | میتواند به طور غیرقابل پیشبینی تخریب شود | به روشهای قابل پیشبینی و تعریفشده شکست میخورد |
سیاستهای رانندگی مبتنی بر داده، با هدف یادگیری نحوه رانندگی با مشاهده حجم زیادی از دادههای رانندگی، به سیستم اجازه میدهند الگوهایی را که ممکن است انسانها به صراحت تعریف نکنند، استنباط کند. قوانین رانندگی با کد دستی، به مهندسان انسانی متکی هستند که به صراحت نحوه رفتار وسیله نقلیه در هر موقعیتی را مشخص میکنند. این امر، شکاف آشکاری بین هوش آموخته شده و کنترل مهندسی شده ایجاد میکند.
سیستمهای مبتنی بر داده، محیطهای پیچیده و غیرقابلپیشبینی را بهتر مدیریت میکنند، زیرا از نمونههای آموزشی متنوع، قابلیت تعمیم دارند. سیستمهای کدنویسی دستی با افزایش تعداد موارد حاشیهای، با مشکل مواجه میشوند و نیاز به اضافه کردن و نگهداری مداوم قوانین دارند. با گذشت زمان، سیستمهای مبتنی بر قانون میتوانند بسیار پیچیده و شکننده شوند.
اشکالزدایی قوانین دستی آسانتر است زیرا هر تصمیم را میتوان به یک شرط یا قانون خاص ردیابی کرد. تفسیر سیاستهای مبتنی بر داده دشوارتر است زیرا تصمیمات در وزنهای مدل آموختهشده جاسازی شدهاند. این امر اعتبارسنجی را چالشبرانگیزتر میکند اما امکان رفتار گویاتر را فراهم میکند.
سیستمهای مبتنی بر قانون با ظهور سناریوهای جدید، نیاز به بهروزرسانیهای دستی مداوم دارند که این امر به مرور زمان باعث افزایش تلاش مهندسی میشود. رویکردهای مبتنی بر داده نیاز به سرمایهگذاری اولیه قابل توجهی در جمعآوری دادهها و زیرساختهای آموزشی دارند، اما میتوانند با افزودن دادههای جدید، به طور خودکار بهبود یابند.
سیستمهای کدگذاری دستی، رفتار ایمنی قابل پیشبینی ارائه میدهند که آنها را برای محیطهای کنترلشده مناسب میکند. سیستمهای مبتنی بر داده میتوانند در محیطهای پیچیده عملکرد بهتری داشته باشند، اما ممکن است در موارد نادر، رفتار غیرمنتظرهای داشته باشند. اکثر سیستمهای خودران مدرن، هر دو رویکرد را برای ایجاد تعادل بین ایمنی و سازگاری ترکیب میکنند.
سیاستهای رانندگی مبتنی بر داده همیشه از قوانین دستنویس بهتر عمل میکنند.
اگرچه سیستمهای دادهمحور در محیطهای پیچیده برتری دارند، اما بهطورکلی برتر نیستند. در سناریوهای ساختاریافته یا با اهمیت ایمنی بالا، قوانین دستنویس همچنان میتوانند رفتار قابل اعتمادتر و قابل پیشبینیتری ارائه دهند. بهترین انتخاب به زمینه و الزامات بستگی دارد.
قوانین رانندگی که با دست نوشته شدهاند، منسوخ شدهاند و دیگر مورد استفاده قرار نمیگیرند.
قوانین دستی هنوز هم به طور گسترده در سیستمهای تولیدی، به ویژه در لایههای ایمنی، منطق پشتیبان و ویژگیهای کمک راننده، مورد استفاده قرار میگیرند. آنها به دلیل شفافیت و قابلیت اطمینانشان همچنان ارزشمند هستند.
سیستمهای دادهمحور نیازی به مهندسی انسانی ندارند.
حتی سیستمهای دادهمحور نیز به تلاش انسانی قابل توجهی در جمعآوری دادهها، طراحی مدل، استراتژی آموزش و اعتبارسنجی ایمنی نیاز دارند. آنها نوشتن قوانین را کاهش میدهند اما کار مهندسی را حذف نمیکنند.
سیستمهای مبتنی بر قانون نمیتوانند رانندگی در دنیای واقعی را مدیریت کنند.
سیستمهای مبتنی بر قانون، در صورت طراحی دقیق، میتوانند بسیاری از سناریوهای دنیای واقعی را به طور مؤثر مدیریت کنند. با این حال، با افزایش پیچیدگی و موارد خاص، نگهداری آنها دشوارتر میشود.
سیاستهای رانندگی مبتنی بر داده برای محیطهای پیچیده و پویا که در آنها سازگاری و یادگیری از تجربه حیاتی است، مناسبتر هستند. قوانین رانندگی دستی در محیطهای با ایمنی بحرانی و تعریفشده که در آنها پیشبینیپذیری و شفافیت بیشترین اهمیت را دارند، برتری دارند. در عمل، سیستمهای هیبریدی اغلب هر دو را برای دستیابی به رفتار رانندگی قوی و قابل اعتماد ترکیب میکنند.
احساسات انسانی یک تجربه پیچیده، بیولوژیکی و روانشناختی است که توسط حافظه، زمینه و ادراک ذهنی شکل میگیرد، در حالی که تفسیر الگوریتمی سیگنالهای احساسی را از طریق الگوهای داده و احتمالات تجزیه و تحلیل میکند. تفاوت در تجربه زیسته در مقابل استنتاج محاسباتی نهفته است، جایی که یکی احساس میکند و دیگری پیشبینی میکند.
ادراک انسان یک فرآیند بیولوژیکی عمیقاً یکپارچه است که حواس، حافظه و زمینه را برای ایجاد درک مداوم از جهان ترکیب میکند، در حالی که تشخیص الگو در هوش مصنوعی برای شناسایی ساختارها و همبستگیها بدون آگاهی یا تجربه زیسته، به یادگیری آماری از دادهها متکی است. هر دو سیستم الگوها را تشخیص میدهند، اما اساساً در سازگاری، معناسازی و مکانیسمهای اساسی متفاوت هستند.
سیستمهای ادغام حسگر، دادههای چندین حسگر مانند دوربینها، لیدار و رادار را برای ایجاد درک قوی از محیط ترکیب میکنند، در حالی که سیستمهای تک حسگر به یک منبع ادراک متکی هستند. این بده بستان بر قابلیت اطمینان در مقابل سادگی متمرکز است و نحوه درک، تفسیر و واکنش خودروهای خودران به شرایط رانندگی در دنیای واقعی را شکل میدهد.
اقتصادهای هوش مصنوعی خودمختار، سیستمهای نوظهوری هستند که در آنها عوامل هوش مصنوعی، تولید، قیمتگذاری و تخصیص منابع را با حداقل دخالت انسان هماهنگ میکنند، در حالی که اقتصادهای تحت مدیریت انسان برای تصمیمگیریهای اقتصادی به نهادها، دولتها و مردم متکی هستند. هدف هر دو بهینهسازی کارایی و رفاه است، اما در کنترل، سازگاری، شفافیت و تأثیر اجتماعی بلندمدت، اساساً متفاوت هستند.
الگوهای توجه ایستا بر روشهای ثابت یا از نظر ساختاری محدود برای توزیع تمرکز بین ورودیها متکی هستند، در حالی که مدلهای تکامل حالت پویا، یک حالت داخلی را گام به گام بر اساس دادههای ورودی بهروزرسانی میکنند. این رویکردها دو الگوی اساساً متفاوت برای مدیریت زمینه، حافظه و استدلال با توالی طولانی در سیستمهای هوش مصنوعی مدرن ارائه میدهند.
