في عالم تكنولوجيا القيادة الذاتية، تظهر نماذج الرؤية واللغة (Vision-Language Models - VLMs) كحلول واعدة، لكن مدى قدرتها على التعامل مع السيناريوهات الحرجة المتعلقة بالسلامة لا يزال موضع تساؤل. هنا يأتي دور DSBench، المعيار الأول من نوعه الذي يهدف إلى تقييم مجموعة مختارة من المخاطر المتعلقة بالقيادة بشكل شامل.

يتم تقسيم DSBench إلى فئتين رئيسيتين: المخاطر البيئية الخارجية وسلامة سلوك القيادة داخل السيارة، مما يتيح تقييمًا دقيقًا وشاملاً في 10 فئات رئيسية و28 فئة فرعية. هذا يضمن تغطية واسعة لمجموعة كبيرة من السيناريوهات، وهذا أمر بالغ الأهمية لضمان الأداء الآمن لنماذج VLMs في الحالات الحرجة.

من خلال تقييمات موسعة على العديد من نماذج VLMs المفتوحة والمغلقة المصدر، تم الكشف عن تدهور ملحوظ في الأداء أثناء المواقف المعقدة التي تتطلب السلامة، مما يبرز المخاوف العاجلة المتعلقة بالسلامة. لذا، تمتلك مجموعة بيانات ضخمة تحتوي على 98 ألف حالة تركيزًا خاصًا على سيناريوهات السلامة داخل السيارة وخارجها، مما يوضح أن تحسين نموذج VLMs على هذه البيانات يساعد على تعزيز الأداء في السلامة.

تتطلع DSBench إلى تغيير قواعد اللعبة في مجال القيادة الذاتية، حيث سيتوفر أدوات المعيار، الشيفرة، ونقاط نموذجية للعموم، مما يسهل على المطورين والباحثين تحسين تقنياتهم. فهل أنتم مستعدون للاكتشافات الجديدة في هذا المجال؟