アリババ、運転AIモデル公開

既存の運転モデルは通常、テキストと画像を扱う汎用モデルを交通Q&Aデータで微調整する。研究者らはこれに二つの弱点があると主張する。距離や位置の検出が信頼できないことと、「破滅的忘却」を起こし、まれな予期せぬ状況で重要となる幅広い一般知識を失う可能性があることだ。Qwen-Drive 1.0は、鳥瞰図マップを構築するモジュールとPlanning Expertモジュールを追加し、すべての運転機能を共有の言語モデルで動作させることで、両方の問題に対処するよう設計されている。

チームは、追加したコンポーネントだけを学習させても空間精度は向上せず、視覚言語モデル自体を空間タスクで学習させた場合にのみ性能が大幅に向上することを発見した。これは空間理解を意図的に組み込む必要があることを裏付けている。このモデルは、インフォテインメントシステムと運転システムが単一のコンピューティングユニットに統合される現代の車両を想定しており、コックピットタスクには一般知識を保持したモデルが必要だ。

重要なのは、研究者自身のテスト手順を超えて、モデルが実世界の運転をどの程度うまく処理できるかだ。チームは、モデルの説明が計画された操作と必ずしも一致せず、カメラ設定の異なる他車両の映像を処理する際の検出精度が大幅に低下することも指摘する。研究コミュニティへのモデル公開はこうしたギャップ解消に役立つ可能性があるが、他のカメラ構成に適したトレーニングデータは依然として不足している。