Valg af øjne til det autonome køretøj: En kamp mellem sensorer, strategier og kompromisser

Inden 2030 forventes markedet for autonome køretøjer at overstige 2,2 billioner dollars, med millioner af biler, der navigerer på vejene ved hjælp af AI og avancerede sensorsystemer. Men midt i denne hurtige vækst forbliver en grundlæggende debat uløst: hvilke sensorer er bedst egnet til autonom kørsel – lidar, kamera, radar eller noget helt nyt?

Dette spørgsmål er langt fra akademisk. Valget af sensorer påvirker alt fra sikkerhed og præstation til omkostninger og energoeffektivitet. Nogle virksomheder, som Waymo, satser på redundans og variation, og udstyrer deres køretøjer med en fuld samling af lidar, kamera og radar. Andre, som Tesla, følger en mere minimalistisk og omkostningseffektiv tilgang, og satser stærkt på kamera og software-innovation.

Lad os udforske disse afvigende strategier, de tekniske paradokser de står over for, og den forretningslogik, der driver deres beslutninger.

Hvorfor smartere maskiner kræver smartere energiløsninger

Dette er virkelig en vigtig sag. Jeg stod over for en lignende dilemma, da jeg lancerede et drone-relateret startup i 2013. Vi forsøgte at skabe droner, der kunne spore menneskelig bevægelse. På det tidspunkt var idéen forud for sin tid, men det blev snart klart, at der var et teknisk paradoks.

For at en drone kan spore et objekt, skal den analysere sensor-data, hvilket kræver beregningskraft – en computer om bord. Men jo mere kraftfuld computeren skal være, desto højere energiforbrug. Dette medfører, at en batteri med større kapacitet er nødvendig. Men en større batteri øger dronens vægt, og mere vægt kræver endnu mere energi. En ond cirkel opstår: øgede krav til kraft medfører højere energiforbrug, vægt og omkostninger.

Det samme problem gælder for autonome køretøjer. På den ene side ønsker man at udstyre køretøjet med alle mulige sensorer for at indsamle så meget data som muligt, synkronisere det og træffe de mest præcise beslutninger. På den anden side øger dette betydeligt systemets omkostninger og energiforbrug. Det er vigtigt at overveje ikke kun omkostningerne ved selv sensorerne, men også den energi, der kræves til at behandle deres data.

Mængden af data er øgende, og beregningsbelastningen er stigende. Selvfølgelig er beregningsystemer blevet mere kompakte og energoeffektive over tid, og softwaren er blevet mere optimeret. I 1980’erne kunne behandling af et 10×10 pixel-billede tage timer; i dag analyserer systemer 4K-video i realtid og udfører yderligere beregninger på enheden uden at forbruge for meget energi. Men performances-dilemmaet består stadig, og AV-virksomhederne forbedrer ikke kun sensorer, men også beregningshardware og optimeringsalgoritmer.

Bearbejdning eller perception?

De performances-problemer, hvor systemet skal afgøre, hvilke data der skal droppes, skyldes primært beregningsbegrænsninger og ikke problemer med LiDAR-, kamera- eller radarsensorer. Disse sensorer fungerer som køretøjets øjne og ører, og indsamler kontinuerligt store mængder af miljødata. Men hvis den om bord placerede computer “hjerne” mangler beregningskraft til at behandle alle disse oplysninger i realtid, bliver det overvældende. Som følge heraf må systemet prioritere visse datastrømme over andre, muligvis ignorere visse objekter eller scener i bestemte situationer for at fokusere på højere prioriterede opgaver.

Dette beregningsbottleneck betyder, at selv om sensorerne fungerer perfekt, og ofte har redundanser for at sikre pålidelighed, kan køretøjet stadig have svært ved at behandle alle data effektivt. At give skylden til sensorerne er ikke passende i denne kontekst, da problemet ligger i data-behandlingskapaciteten. Forbedring af beregningshardware og optimering af algoritmer er essentielle skridt for at afhjælpe disse udfordringer. Ved at forbedre systemets evne til at håndtere store mængder data kan autonome køretøjer reducere sandsynligheden for at overse kritisk information, hvilket fører til sikrere og mere pålidelige operationer.

Lidar, kamera og radarsystemer: Fordele og ulemper

Det er umuligt at sige, at en type sensor er bedre end en anden – hver server sin egen formål. Problemer løses ved at vælge den rette sensor til en bestemt opgave.

LiDAR tilbyder præcis 3D-kortlægning, men er dyrt og kæmper i ugunstige vejrforhold som regn og tåge, som kan sprede dens lasersignaler. Det kræver også betydelige beregningsressourcer til at behandle dens tætte data.

Kameraer er omkostningseffektive, men er meget afhængige af lysforhold, og fungerer dårligt i lavt lys, glans eller hurtige lysændringer. De mangler også indbygget dybdeperception og kæmper med forhindringer som snavs, regn eller sne på linserne.

Radar er pålidelig til at registrere objekter i forskellige vejrforhold, men dens lave opløsning gør det svært at skelne mellem små eller tæt placerede objekter. Den genererer ofte falske positiver, og registrerer irrelevante genstande, der kan udløse unødvendige reaktioner. Desuden kan radar ikke fortolke kontekst eller hjælpe med at identificere objekter visuelt, som kameraer kan.

Ved at udnytte sensorfusion – kombination af data fra LiDAR, radar og kamera – opnår disse systemer en mere holistisk og præcis forståelse af deres omgivelser, hvilket forbedrer både sikkerhed og beslutningstagning i realtid. Keymakr‘s samarbejde med førende ADAS-udviklere har vist, hvor kritisk denne tilgang er for systemets pålidelighed. Vi har konsekvent arbejdet med diverse, højkvalitetsdata til at understøtte modeltræning og forbedring.

Waymo VS Tesla: En historie om to autonome visioner

I AV er der få sammenligninger, der vækker så megen debat som Tesla og Waymo. Begge er pionerer inden for fremtidens mobilitet – men med radikalt forskellige filosofier. Hvorfor ser en Waymo-bil ud som et sensor-pakket rumskib, mens Tesla ser næsten fri for ydre sensorer?

Lad os se på Waymo-køretøjet. Det er en basis-Jaguar modificeret til autonom kørsel. På taget er der dusinvis af sensorer: lidar, kamera, spinner-lasersystemer (såkaldte “spinners”) og radar. Der er virkelig mange af dem: kameraer i spejlene, sensorer på front- og bagstamme, langdistance-observations-systemer – alt dette er synkroniseret.

Hvis sådant et køretøj kommer i en ulykke, tilføjer ingeniørteamet nye sensorer for at indsamle den manglende information. Deres tilgang er at bruge det maksimale antal tilgængelige teknologier.

Hvorfor følger Tesla ikke den samme vej? En af hovedårsagerne er, at Tesla endnu ikke har frigivet sin Robotaxi til markedet. Deres tilgang fokuserer på omkostningsminimering og innovation. Tesla mener, at brug af lidar er upraktisk på grund af deres høje omkostninger: produktionen af en RGB-kamera koster omkring 3 dollar, mens en lidar kan koste 400 dollar eller mere. Desuden indeholder lidar mekaniske dele – roterende spejle og motorer – hvilket gør dem mere udsatte for fejl og udskiftning.

Kameraer, på den anden side, er statiske. De har ingen mobile dele, er langt mere pålidelige og kan fungere i årtier, indtil huset forringes eller linserne mattes. Desuden er kameraer lettere at integrere i en bil-design: de kan gemmes inden i karrosseriet og gjort næsten usynlige.

Produktionsmetoderne adskiller sig også betydeligt. Waymo bruger en eksisterende platform – en produktions-Jaguar – hvorpå sensorer er monteret. De har ikke noget valg. Tesla, på den anden side, producerer køretøjer fra bunden og kan planlægge sensorintegration i karrosseriet fra starten, og gemme dem fra synet. Formelt vil de være opført i specifikationerne, men visuelt vil de være næsten usynlige.

For tiden bruger Tesla otte kameraer rundt om bilen – foran, bagtil, i sidespejlene og dørene. Vil de bruge yderligere sensorer? Jeg tror det.

Baseret på min erfaring som Tesla-chauffør, der også har kørt i Waymo-køretøjer, tror jeg, at tilføjelse af lidar ville forbedre Teslas Full Self-Driving-system. Det føles for mig, at Teslas FSD i øjeblikket mangler en vis præcision, når det kommer til kørsel. Tilføjelse af lidar-teknologi kunne forbedre dets evne til at navigere i udfordrende forhold som betydelig solglans, luftbåret støv eller tåge. Denne forbedring ville potentielt gøre systemet sikrere og mere pålideligt i forhold til at satse kun på kameraer.

Men set fra en forretningsmæssig synsvinkel, når en virksomhed udvikler sin egen teknologi, sigter den efter en konkurrencemæssig fordel – en teknologisk fordel. Hvis den kan skabe en løsning, der er dramatisk mere effektiv og billigere, åbner det døren til markedsdominans.

Tesla følger denne logik. Musk vil ikke følge samme vej som andre virksomheder som Volkswagen eller Baidu, som også har gjort betydelige fremskridt. Selv systemer som Mobileye og iSight, installeret i ældre biler, demonstrerer allerede en vis grad af autonomi.

Men Tesla sigter efter at være unik – og det er forretningslogik. Hvis du ikke tilbyder noget radikalt bedre, vil markedet ikke vælge dig, og andre virksomheder som Volkswagen eller Baidu, som også har gjort betydelige fremskridt. Selv systemer som Mobileye og iSight, installeret i ældre biler, demonstrerer allerede en vis grad af autonomi. Men Tesla sigter efter at være unik – og det er forretningslogik. Hvis du ikke tilbyder noget radikalt bedre, vil markedet ikke vælge dig.