Qwen-Drive 1.0 รวมการมองสามมิติกับวางเส้นทาง แต่ยังเป็นโมเดลวิจัยไม่ใช่คนขับ
Qwen-Drive 1.0 น่าสนใจเพราะไม่ให้โมเดลภาพ-ภาษาตอบคำถามจากกล้องอย่างเดียว แต่ต่อหัวที่มองโลกเป็นสามมิติและหัววาง trajectory เข้ากับฐาน Qwen3.5-4B ครับ อย่างไรก็ดี คำว่า planning ในงานวิจัยยังไม่เท่ากับพร้อมควบคุมรถบนถนนจริง
WHY: ให้คำตอบกับพิกัดคุยกัน
ประกาศจาก Qwen วันที่ 3 กันยายน อธิบายว่าตัวโมเดลฐานไม่ได้ถูกแก้สถาปัตยกรรม แต่เพิ่มสองโมดูลภายนอก หัว BEV ทำ object detection, semantic occupancy และแผนที่จากมุมมองด้านบน ส่วน Planning Expert สร้างเส้นทางอนาคตด้วย flow matching
ภาพเปรียบง่ายคือคนหนึ่งเล่าได้ว่าเห็นรถกับเลนอะไร อีกคนวางหมุดบนแผนที่ Qwen-Drive พยายามฝึกให้ทั้งสองงานใช้ตัวแทนโลกร่วมกัน จึงตรวจได้มากกว่าระบบ end-to-end ที่คืนพวงมาลัยอย่างเดียว แต่ก็ยังมี failure mode ร่วม: ถ้าการรับรู้วัตถุหาย การวางแผนอาจมั่นใจบนโลกที่ผิด
สิ่งที่ยังต้องถามก่อนพูดว่าปลอดภัย
benchmark ในชุดข้อมูลบอกความสามารถบน distribution ที่กำหนด ไม่ได้ครอบคลุมฝนหนัก งานก่อสร้าง ป้ายท้องถิ่น วัตถุหายาก หรือ sensor เสียพร้อมกัน การนำไปต่อรถจริงต้องมี independent safety envelope, ตรวจ uncertainty, fallback ที่หยุดอย่างปลอดภัย และการทดสอบ closed-course ก่อนเสมอ
repository ทางการช่วยให้ตรวจ provenance ของโค้ดและน้ำหนัก แต่ provenance ไม่ใช่ certification ต้องอ่าน license, model card, dataset scope และ evaluation protocol รวมทั้งตรวจว่า metric planning ใช้ open-loop หรือ closed-loop เพราะคะแนนใกล้กันอาจแปลความเสี่ยงต่างกันมาก
มุมใช้ประโยชน์ตอนนี้
ทีมวิจัยนำสถาปัตยกรรมนี้ไปศึกษา representation ร่วม, วิเคราะห์ error ระหว่าง perception กับ planning และสร้างเครื่องมือ replay offline ได้ โดยไม่ต่อ actuator จริง เก็บฉากที่โมดูลสองตัวเห็นต่างกันเป็น regression set จะมีค่ากว่าการไล่คะแนนเฉลี่ยเพียงตัวเดียว
Recap
- Qwen-Drive ต่อหัว BEV และ Planning Expert กับ VLM ฐาน 4B
- output ที่ตรวจสอบได้มากขึ้นไม่ได้ลบ common-mode failure
- benchmark ไม่แทน closed-course, fallback และ safety case
- ใช้เริ่มจาก offline replay และ error analysis ก่อน hardware control