تشهد تقنيات القيادة الذاتية تطورًا كبيرًا بفضل نماذج الرؤية - اللغة - الحركة (Vision-Language-Action) التي تبرز كحل مستقبلي للكثير من التحديات التقنية. ومع ذلك، يواجه تنفيذ هذه النماذج على منصات السيارات الحالية العديد من الصعوبات، حيث تؤدي إلى زمن استجابة مرتفع، بالإضافة إلى ضغط كبير على موارد وحدات معالجة الرسوميات (GPU).

تأخذ الأنظمة التقليدية بعين الاعتبار أن المنصات كانت مُعدة لتوزيع المهام بشكل منفصل، لكن مع دمج عدة وظائف في نموذج موحد، يصبح الجزء الأكبر من القدرة على المعالجة غير مُستغل بينما تظل المعالجة والذاكرة متركزة بشكل كبير على وحدة معالجة الرسوميات. لذلك، من الصعب تنفيذ نظام القيادة الذاتية بشكل واقعي تحت قيود الذاكرة الحالية لوحدات المعالجة.

لتجاوز هذه التحديات، تم تقديم إطار عمل هجين للجمع بين الموارد المعتمدة على وحدة المعالجة المركزية (CPU) ووحدة المعالجة الرسومية (GPU) بجدولة مرنة. يعتمد التصميم الجديد على تقسيم البنية الأساسية للنموذج بطريقة مثلى، حيث يتم تنفيذ المحلل البصري والبنية الأساسية للنموذج اللغوي الكبير (LLM) على وحدة معالجة الرسوميات، في حين يتم تحميل الجزء المتبقي على وحدة المعالجة المركزية عبر طريقة جديدة تعتمد على الجدولة المتزامنة عبر الإطارات.

أظهرت التجارب على نماذج القيادة التلقائية مثل "أوريون" (Orion) و"مايند درايف" (MindDrive) نتائج رائعة، إذ أدت الطريقة الجديدة إلى تقليل زمن الاستجابة بمعدل يصل إلى 30%، مما يعكس استجابة أسرع وتحسين أداء النظام. إضافةً إلى ذلك، تم تقليل الذاكرة المطلوبة لوحدة المعالجة الرسومية لأوريون من 45GB إلى 29GB، مما يسهل تنفيذ النموذج الهجين على المنصة الكاملة للسيارة، وهو ما لم يكن ممكنًا في النسخة الأصلية.

مع هذه الابتكارات الجديدة، يبدو أن المستقبل يتجه نحو أنظمة القيادة الذاتية الأكثر كفاءة وفعالية. هل أنتم مستعدون لرؤية هذه التقنية تتطور؟ شاركونا آرائكم في التعليقات.