Die Auswahl der Augen des autonomen Fahrzeugs: Ein Kampf um Sensoren, Strategien und Kompromisse

Bis 2030 wird der Markt für autonome Fahrzeuge voraussichtlich 2,2 Billionen US-Dollar überschreiten, mit Millionen von Fahrzeugen, die Straßen mit künstlicher Intelligenz und fortschrittlichen Sensorsystemen befahren. Doch trotz dieses rasanten Wachstums bleibt eine grundlegende Debatte ungeklärt: Welche Sensoren sind am besten für das autonome Fahren geeignet – Lidar, Kameras, Radar oder etwas völlig Neues?

Diese Frage ist weit entfernt von akademischer Bedeutung. Die Wahl der Sensoren beeinflusst alles, von Sicherheit und Leistung bis hin zu Kosten und Energieeffizienz. Einige Unternehmen, wie Waymo, setzen auf Redundanz und Vielfalt und rüsten ihre Fahrzeuge mit einer vollständigen Suite von Lidar-, Kamera- und Radarsensoren aus. Andere, wie Tesla, verfolgen einen minimalistischeren und kostengünstigeren Ansatz und verlassen sich stark auf Kameras und Software-Innovationen.

Lassen Sie uns diese divergierenden Strategien, die technischen Paradoxien, mit denen sie konfrontiert sind, und die Geschäftslogik, die ihre Entscheidungen antreibt, erkunden.

Warum intelligente Maschinen intelligente Energie Lösungen erfordern

Dies ist tatsächlich eine wichtige Frage. Ich stand vor einem ähnlichen Dilemma, als ich 2013 ein Startup für Drohnen gründete. Wir versuchten, Drohnen zu entwickeln, die in der Lage waren, menschliche Bewegungen zu verfolgen. Zu dieser Zeit war die Idee fortschrittlich, aber es wurde bald klar, dass es ein technisches Paradoxon gab.

Um ein Objekt zu verfolgen, muss eine Drohne Sensordaten analysieren, was Rechenleistung erfordert – einen Onboard-Computer. Je leistungsfähiger der Computer sein muss, desto höher ist der Energieverbrauch. Folglich ist eine Batterie mit höherer Kapazität erforderlich. Eine größere Batterie erhöht jedoch das Gewicht der Drohne, und mehr Gewicht erfordert noch mehr Energie. Ein Teufelskreis entsteht: Erhöhte Leistungsanforderungen führen zu höherem Energieverbrauch, Gewicht und letztendlich Kosten.

Das gleiche Problem gilt für autonome Fahrzeuge. Einerseits möchten Sie das Fahrzeug mit allen möglichen Sensoren ausstatten, um so viel Daten wie möglich zu sammeln, zu synchronisieren und die genauesten Entscheidungen zu treffen. Andererseits erhöht dies den Systemkosten und den Energieverbrauch erheblich. Es ist wichtig, nicht nur die Kosten der Sensoren selbst, sondern auch die Energie zu berücksichtigen, die zum Verarbeiten ihrer Daten erforderlich ist.

Die Datenmenge nimmt zu, und die Rechenlast steigt. Natürlich sind die Rechnersysteme im Laufe der Zeit kompakter und energieeffizienter geworden, und die Software ist optimierter. In den 1980er Jahren konnte die Verarbeitung eines 10×10-Pixel-Bildes Stunden dauern; heute analysieren Systeme 4K-Videos in Echtzeit und führen zusätzliche Berechnungen auf dem Gerät durch, ohne übermäßig viel Energie zu verbrauchen. Dennoch bleibt das Leistungsparadoxon bestehen, und AV-Unternehmen verbessern nicht nur die Sensoren, sondern auch die Rechenhardware und Optimierungsalgorithmen.

Verarbeitung oder Wahrnehmung?

Die Leistungsprobleme, bei denen das System entscheiden muss, welche Daten zu verwerfen sind, sind hauptsächlich auf Rechenbeschränkungen und nicht auf Probleme mit Lidar-, Kamera- oder Radarsensoren zurückzuführen. Diese Sensoren fungieren als die Augen und Ohren des Fahrzeugs und erfassen kontinuierlich große Mengen an Umgebungsdaten. Wenn jedoch der Onboard-Computer nicht über die notwendige Rechenleistung verfügt, um all diese Informationen in Echtzeit zu verarbeiten, wird es überwältigend. Als Ergebnis muss das System bestimmte Datenströme priorisieren und möglicherweise einige Objekte oder Szenen in bestimmten Situationen ignorieren, um sich auf höher priorisierte Aufgaben zu konzentrieren.

Dieses Rechenbottleneck bedeutet, dass das Fahrzeug selbst dann Schwierigkeiten haben kann, alle Daten effektiv zu verarbeiten, wenn die Sensoren einwandfrei funktionieren und oft Redundanz aufweisen, um die Zuverlässigkeit zu gewährleisten. Es ist nicht angebracht, die Sensoren zu beschuldigen, da das Problem in der Datenverarbeitungskapazität liegt. Die Verbesserung der Rechenhardware und die Optimierung von Algorithmen sind wesentliche Schritte, um diese Herausforderungen zu meistern. Durch die Verbesserung der Fähigkeit des Systems, große Datenmengen zu verarbeiten, können autonome Fahrzeuge die Wahrscheinlichkeit verringern, wichtige Informationen zu übersehen, was zu sichereren und zuverlässigeren Betrieb führt.

Lidar, Kamera und Radarsysteme: Vor- und Nachteile

Es ist unmöglich zu sagen, dass eine Art von Sensor besser ist als eine andere – jeder erfüllt seinen eigenen Zweck. Probleme werden durch die Auswahl des geeigneten Sensors für eine bestimmte Aufgabe gelöst.

Lidar bietet präzise 3D-Kartierung, ist jedoch teuer und hat Schwierigkeiten bei widrigen Wetterbedingungen wie Regen und Nebel, die seine Laserstrahlen streuen können. Es erfordert auch erhebliche Rechenressourcen, um seine dichten Daten zu verarbeiten.

Kameras sind zwar kostengünstig, aber stark von den Lichtverhältnissen abhängig und funktionieren schlecht bei schlechtem Licht, Blendung oder schnellen Lichtveränderungen. Sie haben auch keine inhärente Tiefenwahrnehmung und haben Schwierigkeiten mit Hindernissen wie Schmutz, Regen oder Schnee auf der Linse.

Radar ist zuverlässig bei der Erkennung von Objekten unter verschiedenen Wetterbedingungen, aber seine geringe Auflösung macht es schwierig, zwischen kleinen oder eng beieinander liegenden Objekten zu unterscheiden. Es erzeugt oft Falschpositivmeldungen, die unwichtige Gegenstände erkennen und unnötige Reaktionen auslösen können. Darüber hinaus kann Radar nicht den Kontext entschlüsseln oder helfen, Objekte visuell zu identifizieren, im Gegensatz zu Kameras.

Durch die Nutzung von Sensorfusion – die Kombination von Daten aus Lidar, Radar und Kameras – gewinnen diese Systeme ein umfassenderes und genauereres Verständnis ihrer Umgebung, was wiederum die Sicherheit und Echtzeit-Entscheidungsfindung verbessert. Die Zusammenarbeit von Keymakr mit führenden ADAS-Entwicklern hat gezeigt, wie wichtig dieser Ansatz für die Systemzuverlässigkeit ist. Wir haben kontinuierlich an verschiedenen, hochwertigen Datensätzen gearbeitet, um die Modellierung und Verfeinerung zu unterstützen.

Waymo VS Tesla: Eine Geschichte von zwei autonomen Visionen

Im Bereich der autonomen Fahrzeuge gibt es wenige Vergleiche, die so viel Kontroversen auslösen wie Tesla und Waymo. Beide Unternehmen sind Pioniere in der Zukunft der Mobilität – aber mit radikal unterschiedlichen Philosophien. Warum sieht also ein Waymo-Fahrzeug aus wie ein sensorbestücktes Raumschiff, während Tesla fast frei von externen Sensoren erscheint?

Lassen Sie uns einen Blick auf das Waymo-Fahrzeug werfen. Es handelt sich um ein modifiziertes Jaguar-Fahrzeug für autonome Fahrzeuge. Auf seinem Dach befinden sich Dutzende von Sensoren: Lidar, Kameras, Drehlasersysteme (sogenannte “Spinner”) und Radar. Es gibt wirklich viele davon: Kameras in den Spiegeln, Sensoren auf der Front- und Heckstoßstange, Langstreckensichtsysteme – all dies ist synchronisiert.

Wenn ein solches Fahrzeug in einen Unfall verwickelt ist, fügt das Ingenieurteam neue Sensoren hinzu, um die fehlenden Informationen zu sammeln. Ihr Ansatz besteht darin, die maximale Anzahl verfügbarer Technologien zu nutzen.

Warum folgt Tesla nicht dem gleichen Weg? Einer der Hauptgründe ist, dass Tesla seinen Robotaxi noch nicht auf den Markt gebracht hat. Außerdem konzentriert sich ihr Ansatz auf Kostenminimierung und Innovation. Tesla glaubt, dass die Verwendung von Lidar aufgrund der hohen Kosten unpraktisch ist: Die Herstellungskosten einer RGB-Kamera betragen etwa 3 US-Dollar, während ein Lidar 400 US-Dollar oder mehr kosten kann. Darüber hinaus enthalten Lidar mechanische Teile – rotierende Spiegel und Motoren -, was sie anfälliger für Ausfälle und Ersatz macht.

Kameras hingegen sind statisch. Sie haben keine beweglichen Teile, sind viel zuverlässiger und können Jahrzehnte lang funktionieren, bis die Verkleidung verschleißt oder die Linse matt wird. Darüber hinaus sind Kameras einfacher in die Karosserie eines Fahrzeugs zu integrieren: Sie können im Fahrzeug verborgen werden und fast unsichtbar gemacht werden.

Die Produktionsansätze unterscheiden sich auch erheblich. Waymo verwendet eine bestehende Plattform – ein Serien-Jaguar – auf den Sensoren montiert werden. Sie haben keine Wahl. Tesla hingegen stellt Fahrzeuge von Grund auf her und kann die Sensorintegration in die Karosserie von Anfang an planen und verbergen. Formal werden sie in den Spezifikationen aufgeführt, aber visuell sind sie fast nicht zu erkennen.

Aktuell verwendet Tesla acht Kameras rund um das Fahrzeug – vorne, hinten, in den Spiegeln und Türen. Werden sie zusätzliche Sensoren verwenden? Ich glaube schon.

Aufgrund meiner Erfahrung als Tesla-Fahrer, der auch in Waymo-Fahrzeugen gefahren ist, glaube ich, dass die Integration von Lidar Teslas Full Self-Driving-System verbessern würde. Es scheint mir, dass Teslas FSD derzeit an Genauigkeit fehlt, wenn es um das Fahren geht. Die Hinzufügung von Lidar-Technologie könnte seine Fähigkeit verbessern, schwierige Bedingungen wie starke Sonnenglare, Luftstaub oder Nebel zu meistern. Diese Verbesserung könnte das System sicherer und zuverlässiger machen im Vergleich zu einer alleinigen Verwendung von Kameras.

Aber aus geschäftlicher Sicht will ein Unternehmen, das seine eigene Technologie entwickelt, einen Wettbewerbsvorteil haben – einen technologischen Vorsprung. Wenn es eine Lösung schaffen kann, die dramatisch effizienter und billiger ist, öffnet es die Tür zur Marktdominanz.

Tesla folgt dieser Logik. Musk will nicht den Weg anderer Unternehmen wie Volkswagen oder Baidu gehen, die ebenfalls erhebliche Fortschritte gemacht haben. Selbst Systeme wie Mobileye und iSight, die in älteren Fahrzeugen installiert sind, zeigen bereits eine anständige Autonomie.

Aber Tesla zielt darauf ab, einzigartig zu sein – und das ist Geschäftslogik. Wenn Sie nicht etwas Radikal Besseres anbieten, wird der Markt Sie nicht wählen.