Επιλέγοντας τα Μάτια του Αυτόνομου Οχήματος: Ένας Αγώνας Αισθητήρων, Στρατηγικών και Συμβιβασμών

Μέχρι το 2030, η αγορά των αυτόνομων οχημάτων πρόκειται να ξεπεράσει τα 2,2 τρισεκατομμύρια δολάρια, με εκατομμύρια αυτοκίνητα να πλοηγούνται στους δρόμους χρησιμοποιώντας τεχνητή νοημοσύνη και προηγμένα συστήματα αισθητήρων. Όμως, εν μέσω этой ταχείας ανάπτυξης, μια θεμελιώδης συζήτηση παραμένει ανεπίλυτη: ποιοι αισθητήρες είναι più κατάλληλοι για την αυτόνομη οδήγηση — lidars, κάμερες, radars ή κάτι εντελώς νέο;

Αυτή η ερώτηση είναι μακράν ακαδημαϊκή. Η επιλογή των αισθητήρων επηρεάζει όλα, από την ασφάλεια και την απόδοση έως το κόστος και την ενεργειακή απόδοση. Ορισμένες εταιρείες, όπως η Waymo, στοιχηματίζουν στην αναδιπλοποίηση και την ποικιλία, εξοπλίζοντας τα οχήματά τους με πλήρη σειρά lidars, καμερών και radars. Άλλες, όπως η Tesla, ακολουθούν μια πιο ελαφριά και οικονομική προσέγγιση, βασίζοντας się σε μεγάλο βαθμό στις κάμερες και την καινοτομία του λογισμικού.

Ας εξερευνήσουμε αυτές τις απομακρυσμένες στρατηγικές, τις τεχνικές παραδόξεις που αντιμετωπίζουν και τη λογική επιχείρησης που οδηγεί τις αποφάσεις τους.

Γιατί τα Πιο Έξυπνα Μηχανήματα Απαιτούν Πιο Έξυπνες Ενεργειακές Λύσεις

Αυτό είναι πραγματικά ένα σημαντικό ζήτημα. Αντιμετώπισα ένα παρόμοιο δίλημμα όταν ξεκίνησα μια εταιρεία drone το 2013. Προσπαθούσαμε να δημιουργήσουμε drones που θα μπορούσαν να παρακολουθούν την κίνηση των ανθρώπων. Τότε, η ιδέα ήταν μπροστά, αλλά σύντομα έγινε σαφές ότι υπήρχε μια τεχνική παραδόξη.

Για ένα drone να παρακολουθήσει ένα αντικείμενο, πρέπει να αναλύσει δεδομένα αισθητήρων, τα οποία απαιτούν υπολογιστική ισχύ — έναν υπολογιστή στο σκάφος. Ωστόσο, όσο πιο ισχυρός ο υπολογιστής πρέπει να είναι, τόσο μεγαλύτερη η κατανάλωση ενέργειας. Συνεπώς, μια μπαταρία με μεγαλύτερη ικανότητα είναι απαραίτητη. Ωστόσο, μια μεγαλύτερη μπαταρία αυξάνει το βάρος του drone, και το μεγαλύτερο βάρος απαιτεί ακόμη περισσότερη ενέργεια. Ένας βicios κύκλος προκύπτει: η αύξηση της ισχύος οδηγεί σε μεγαλύτερη κατανάλωση ενέργειας, βάρος και τελικά, κόστος.

Το ίδιο πρόβλημα ισχύει και για τα αυτόνομα οχήματα. Από την μια πλευρά, θέλετε να εξοπλίσετε το όχημα με όλους τους δυνατούς αισθητήρες για να συλλέξετε όσο το δυνατόν περισσότερα δεδομένα, να τα συγχρονίσετε και να λάβετε τις πιο ακριβείς αποφάσεις. Από την άλλη πλευρά, αυτό αυξάνει σημαντικά το κόστος και την κατανάλωση ενέργειας του συστήματος. Είναι σημαντικό να ληφθεί υπόψη όχι μόνο το κόστος των αισθητήρων selbst, αλλά και η ενέργεια που απαιτείται για την επεξεργασία των δεδομένων τους.

Η ποσότητα των δεδομένων αυξάνεται και το υπολογιστικό φορτίο μεγαλώνει. Βέβαια, με το πέρασμα του χρόνου, τα υπολογιστικά συστήματα έχουν γίνει πιο συμπαγή και ενεργειακά αποδοτικά, και το λογισμικό έχει γίνει πιο βελτιωμένο. στις δεκαετίες του ’80, η επεξεργασία μιας εικόνας 10×10 pixel θα μπορούσε να διαρκέσει ώρες. Σήμερα, τα συστήματα αναλύουν βίντεο 4K σε πραγματικό χρόνο και εκτελούν πρόσθετες υπολογιστικές εργασίες στο σύστημα χωρίς να καταναλώνουν υπερβολική ενέργεια. Ωστόσο, το δίλημμα της απόδοσης παραμένει, και οι εταιρείες AV βελτιώνουν όχι μόνο τους αισθητήρες, αλλά και το υπολογιστικό υλικό και τους αλγορίθμους.

Επεξεργασία ή Αντίληψη;

Τα προβλήματα απόδοσης, όπου το σύστημα πρέπει να αποφασίσει ποια δεδομένα να απορρίψει, οφείλονται κυρίως σε υπολογιστικές περιορισμοί και όχι σε προβλήματα με τους αισθητήρες LiDAR, κάμερα ή radar. Αυτοί οι αισθητήρες λειτουργούν ως τα μάτια και τα αυτιά του οχήματος, συνεχώς καταγράφοντας τεράστιες ποσότητες περιβαλλοντικών δεδομένων. Ωστόσο, αν ο υπολογιστικός “εγκέφαλος” του οχήματος δεν έχει τη δυνατότητα να επεξεργαστεί όλα αυτά τα δεδομένα σε πραγματικό χρόνο, γίνεται υπερβολικός. Ως αποτέλεσμα, το σύστημα πρέπει να προτεραιοποιήσει ορισμένα ρεύματα δεδομένων έναντι άλλων, πιθανώς αγνοώντας ορισμένα αντικείμενα ή σκηνές σε συγκεκριμένες καταστάσεις για να επικεντρωθεί σε υψηλότερης προτεραιότητας εργασίες.

Αυτή η υπολογιστική στενωπή σημαίνει ότι ακόμη και αν οι αισθητήρες λειτουργούν τέλεια, και συχνά έχουν αναδιπλοποιήσεις για να διασφαλίσουν την αξιοπιστία, το όχημα μπορεί ακόμη να πλήξει την επεξεργασία όλων των δεδομένων αποτελεσματικά. Η καταγγελία των αισθητήρων δεν είναι κατάλληλη σε αυτό το контέκστ, επειδή το πρόβλημα βρίσκεται στη δυνατότητα επεξεργασίας δεδομένων. Η βελτίωση του υπολογιστικού υλικού και η βελτίωση των αλγορίθμων είναι απαραίτητες για να μετριάσουν αυτές τις προκλήσεις. Βελτιώνοντας την ικανότητα του συστήματος να χειρίζεται μεγάλες ποσότητες δεδομένων, τα αυτόνομα οχήματα μπορούν να μειώσουν την πιθανότητα να λείπουν κρίσιμα δεδομένα, οδηγώντας σε ασφαλέστερες και πιο αξιόπιστες λειτουργίες.

Lidar, Κάμερα και Radar Συστήματα: Πλεονεκτήματα και Μειονεκτήματα

Είναι αδύνατο να πει ότι ένας τύπος αισθητήρα είναι καλύτερος από έναν άλλο — ο καθένας εξυπηρετεί τον δικό του σκοπό. Τα προβλήματα λύνεται με την επιλογή του κατάλληλου αισθητήρα για μια συγκεκριμένη εργασία.

Το LiDAR, ενώ προσφέρει ακριβή τρισδιάστατη χαρτογράφηση, είναι ακριβό και δυσκολεύεται σε δυσμενείς καιρικές συνθήκες όπως η βροχή και η ομίχλη, οι οποίες μπορούν να σκεδάσουν τα σήματα laser. Επίσης, απαιτεί σημαντικούς υπολογιστικούς πόρους για την επεξεργασία των πυκνών δεδομένων του.

Οι κάμερες, αν και είναι οικονομικές, είναι εξαιρετικά εξαρτημένες από τις συνθήκες φωτισμού, εκτελώντας καλά σε χαμηλό φωτισμό, λάμψη ή γρήγορες αλλαγές φωτισμού. Επίσης, λείπουν της εγγενικής αντίληψης βάθους και δυσκολεύονται με εμπόδια όπως η βρόμη, η βροχή ή η χιόνι στο φακό.

Το Radar είναι αξιόπιστο στην ανίχνευση αντικειμένων σε διάφορες καιρικές συνθήκες, αλλά η χαμηλή ανάλυση του δυσκολεύει να διακρίνει μεταξύ μικρών ή στενά τοποθετημένων αντικειμένων. Συχνά παράγει ψευδείς θετικούς, ανιχνεύοντας μη σχετικά αντικείμενα που peuvent να προκαλέσουν ανεπιθύμητες αντιδράσεις. Επιπλέον, το Radar δεν μπορεί να διαβάσει το контέκστ ή να βοηθήσει στην αναγνώριση αντικειμένων οπτικά, σε αντίθεση με τις κάμερες.

Χρησιμοποιώντας την συνδυασμένη ανίχνευση — συνδυάζοντας δεδομένα από LiDAR, Radar και κάμερες — αυτά τα συστήματα κερδίζουν μια πιο ολιστική και ακριβή κατανόηση του περιβάλλοντος, η οποία με τη σειρά της βελτιώνει τόσο την ασφάλεια όσο και την απόφαση σε πραγματικό χρόνο. Keymakr’s συνεργασία με τους ηγέτες των ADAS έχει δείξει πόσο κρίσιμο είναι αυτό το접근 για την αξιοπιστία του συστήματος. Έχουμε συνεχώς εργαστεί σε διάφορα, υψηλής ποιότητας datasets για να υποστηρίξουμε την εκπαίδευση και την επιμέλεια των μοντέλων.

Waymo VS Tesla: Ένας Μύθος για Δύο Αυτόνομες Όρασεις

Στα AV, λίγες συγκρίσεις προκαλούν τόσο μεγάλη συζήτηση όσο η Tesla και η Waymo. Και οι δύο είναι πρωτοπόροι του μέλλοντος της κινητικότητας — αλλά με ριζικά διαφορετικές φιλοσοφίες. Γιατί, λοιπόν, ένα Waymo όχημα μοιάζει με ένα διαστημόπλοιο αισθητήρων, ενώ η Tesla φαίνεται σχεδόν απαλλαγμένη από εξωτερικούς αισθητήρες;

Ας δούμε το όχημα της Waymo. Είναι ένα Jaguar που έχει τροποποιηθεί για αυτόνομη οδήγηση. Στο στέγασμα του υπάρχουν δεκάδες αισθητήρες: lidars, κάμερες, σπιννερ λέιζερ (τσιπ “σπιναριστές”) και radars. Υπάρχουν πραγματικά πολλοί: κάμερες στους καθρέφτες, αισθητήρες στο μπροστινό και πίσω μπουρντού, συστήματα μακράς εστίασης — όλα αυτά είναι συγχρονισμένα.

Εάν ένα τέτοιο όχημα εμπλακεί σε einen ατύχημα, η ομάδα μηχανικών προσθέτει νέους αισθητήρες για να συλλέξει τις λείπουσες πληροφορίες. Η προσέγγισή τους είναι να χρησιμοποιήσουν τον μέγιστο αριθμό διαθέσιμων τεχνολογιών.

Γιατί, λοιπόν, η Tesla δεν ακολουθεί την ίδια πορεία; Ένας από τους κύριους λόγους είναι ότι η Tesla δεν έχει ακόμη κυκλοφορήσει το Robotaxi της στην αγορά. Επίσης, η προσέγγισή τους επικεντρώνεται στη μείωση του κόστους και την καινοτομία. Η Tesla πιστεύει ότι η χρήση lidars είναι ακαταλληλότητα λόγω του υψηλού κόστους: το κόστος παραγωγής μιας κάμερας RGB είναι περίπου 3 δολάρια, ενώ ένα lidar μπορεί να κοστίσει 400 δολάρια ή περισσότερα. Επιπλέον, τα lidars περιέχουν μηχανικά μέρη — περιστρεφόμενα καθρέφτες και κινητήρες — τα οποία τα κάνουν πιο επιρρεπή σε βλάβες και αντικατάσταση.

Οι κάμερες, αντίθετα, είναι στατικές. Δεν έχουν κινούμενα μέρη, είναι πολύ πιο αξιόπιστες και μπορούν να λειτουργούν για δεκαετίες μέχρι να υποβαθμιστεί η θήκη ή να σβηστεί το φακό. Επιπλέον, οι κάμερες είναι ευκολότερες να ενσωματωθούν στο σχεδιασμό του αυτοκινήτου: μπορούν να κρυφτούν μέσα στο σώμα, να γίνουν σχεδόν αόρατες.

Οι προσεγγίσεις παραγωγής διαφέρουν επίσης σημαντικά. Η Waymo χρησιμοποιεί μια υπάρχουσα πλατφόρμα — ένα παραγωγικό Jaguar — στο οποίο οι αισθητήρες είναι τοποθετημένοι. Δεν έχουν επιλογή. Η Tesla, από την άλλη πλευρά, κατασκευάζει οχήματα από την αρχή και μπορεί να σχεδιάσει την ενσωμάτωση των αισθητήρων στο σώμα από την αρχή, κρύβοντάς τους από την όραση. Τυπικά, θα αναφέρονται στις προδιαγραφές, αλλά οπτικά, θα είναι σχεδόν αόρατοι.

Τώρα, η Tesla χρησιμοποιεί οκτώ κάμερες γύρω από το αυτοκίνητο — στο μπροστινό, πίσω, πλευρικούς καθρέφτες και πόρτες. Θα χρησιμοποιήσει επιπλέον αισθητήρες; Πιστεύω ότι ναι.

Βασισμένος στην εμπειρία μου ως οδηγός της Tesla, που έχει επίσης οδηγήσει οχήματα Waymo, πιστεύω ότι η ενσωμάτωση του lidar θα βελτιώσει το σύστημα Full Self-Driving της Tesla. Νιώθω ότι το FSD της Tesla σήμερα λείπει κάποια ακρίβεια όταν οδηγεί. Η προσθήκη της τεχνολογίας lidar θα μπορούσε να ενισχύσει την ικανότητά της να πλοηγείται σε δύσκολες συνθήκες όπως η έντονη ηλιακή λάμψη, η αερομεταφερόμενη σκόνη ή η ομίχλη. Αυτή η βελτίωση θα μπορούσε να κάνει το σύστημα ασφαλέστερο και πιο αξιόπιστο σε σύγκριση με την εξάρτηση μόνο στις κάμερες.

Αλλά από την επιχειρηματική πλευρά, όταν μια εταιρεία αναπτύσσει τη δική της τεχνολογία, στοχεύει σε einen конкурентικό πλεονέκτημα — einen τεχνολογικό προβάδισμα. Εάν μπορεί να δημιουργήσει μια λύση που είναι δραματικά πιο αποτελεσματική και φθηνή, ανοίγει την πόρτα στην κυριαρχία της αγοράς.

Η Tesla ακολουθεί αυτή τη λογική. Ο Musk δεν θέλει να ακολουθήσει τον δρόμο άλλων εταιρειών όπως η Volkswagen ή η Baidu, οι οποίες έχουν επίσης κάνει σημαντική πρόοδο.就算 συστήματα όπως το Mobileye και το iSight, εγκατεστημένα σε παλαιότερα αυτοκίνητα, ήδη δείχνουν αξιοπρεπή αυτονομία.

Αλλά η Tesla στοχεύει να είναι μοναδική — και αυτή είναι η επιχειρηματική λογική. Εάν δεν προσφέρετε κάτι ριζικά καλύτερο, η αγορά δεν θα σας επιλέξει.