تتطلب [القيادة الذاتية](/tag/[القيادة](/tag/القيادة)-الذاتية) الشاملة (E2E-AD) معالجة فعالة للبيانات الحسية متعددة الزوايا بالإضافة إلى التعامل بمرونة مع السيناريوهات المعقدة. هذا يبرز بشكل خاص عند الحاجة إلى [تنفيذ](/tag/تنفيذ) مناورات نادرة مثل الانعطافات الحادة. في السنوات الأخيرة، حققت بنية [مزيج الخبراء](/tag/مزيج-الخبراء) (Mixture-of-Experts - [MoE](/tag/moe)) نجاحًا كبيرًا، وخاصة في [نماذج [اللغات](/tag/اللغات) الضخمة](/tag/[نماذج](/tag/نماذج)-[اللغات](/tag/اللغات)-الضخمة) (Large Language [Models](/tag/models) - [LLMs](/tag/llms))، حيث ساهمت في [تحسين](/tag/تحسين) القدرة على [التوسع](/tag/التوسع) [عبر](/tag/عبر) [تخصيص](/tag/تخصيص) المعلمات.

اليوم، نقدم لكم DriveMoE، إطارًا مبتكرًا يعتمد على [تقنية](/tag/تقنية) [MoE](/tag/moe) للقيادة الذاتية. يتضمن DriveMoE نموذجين متخصصين: أحدهما للرؤية وآخر للإجراءات. يعتمد DriveMoE على نموذجنا الأساسي Drive-π0 من مجال [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي) المدمج.

ما يميز DriveMoE هو دمج رويتر [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي) لاختيار [الكاميرات](/tag/الكاميرات) ذات الصلة وفقًا لسياق القيادة، مما يعكس طريقة [تفكير](/tag/تفكير) السائقين البشريين في [التواصل](/tag/التواصل) مع [المؤشرات](/tag/المؤشرات) البصرية الحيوية. كما قمنا بإضافة Action [MoE](/tag/moe) من خلال [تدريب](/tag/تدريب) رويتر آخر لتنشيط وحدات الخبراء المتخصصة في [سلوكيات](/tag/سلوكيات) [القيادة](/tag/القيادة) المختلفة.

ومن خلال هذه التخصصات السلوكية الصريحة، يتمكن DriveMoE من التعامل مع مجموعة متنوعة من السيناريوهات دون التأثر بمشكلة متوسط الأوضاع التي تعاني منها [النماذج](/tag/النماذج) التقليدية. في [تجارب](/tag/تجارب) [التقييم](/tag/التقييم) المغلقة Bench2Drive، حقق DriveMoE أداءً رائدًا في المجال (SOTA)، مما يدل على فعاليته في دمج [MoE](/tag/moe) للرؤية والإجراءات في مهام [القيادة الذاتية](/tag/[القيادة](/tag/القيادة)-الذاتية).

نحن نتطلع إلى [مشاركة](/tag/مشاركة) الشيفرة والنماذج الخاصة بـ DriveMoE وDrive-π0 قريباً.