La elección de los ojos del vehículo autónomo: una batalla de sensores, estrategias y compensaciones

Para 2030, el mercado de vehículos autónomos se espera Superará los 2.2 billones de dólares, con millones de coches que circulan por las carreteras gracias a la IA y sistemas de sensores avanzados. Sin embargo, en medio de este rápido crecimiento, sigue sin resolverse un debate fundamental: ¿qué sensores son los más adecuados para la conducción autónoma: lidares, cámaras, radares o algo completamente nuevo?

Esta pregunta no es nada académica. La elección de sensores afecta a todo, desde la seguridad y el rendimiento hasta el coste y la eficiencia energética. Algunas empresas, como Waymo, apuestan por la redundancia y la variedad, equipando sus vehículos con un conjunto completo de lidars, cámaras y radares. Otras, como Tesla, adoptan un enfoque más minimalista y rentable, basándose en gran medida en cámaras e innovación de software.

Exploremos estas estrategias divergentes, las paradojas técnicas que enfrentan y la lógica empresarial que impulsa sus decisiones.

Por qué las máquinas más inteligentes exigen soluciones energéticas más inteligentes

Este es un tema importante. Me enfrenté a un dilema similar cuando lancé una startup relacionada con drones en 2013. Intentábamos crear drones capaces de rastrear el movimiento humano. En aquel entonces, la idea estaba en pleno desarrollo, pero pronto se hizo evidente que existía una paradoja técnica.

Para que un dron rastree un objeto, debe analizar los datos de sus sensores, lo que requiere potencia computacional: una computadora a bordo. Sin embargo, cuanto más potente sea la computadora, mayor será el consumo de energía. Por consiguiente, se necesita una batería de mayor capacidad. Sin embargo, una batería más grande aumenta el peso del dron, y un mayor peso requiere aún más energía. Se crea un círculo vicioso: una mayor demanda de energía conlleva un mayor consumo de energía, peso y, en última instancia, un mayor costo.

El mismo problema se aplica a los vehículos autónomos. Por un lado, se busca equipar el vehículo con todos los sensores posibles para recopilar la mayor cantidad de datos posible, sincronizarlos y tomar las decisiones más precisas. Por otro lado, esto incrementa significativamente el coste y el consumo energético del sistema. Es importante considerar no solo el coste de los propios sensores, sino también la energía necesaria para procesar sus datos.

La cantidad de datos y la carga computacional están aumentando. Por supuesto, con el tiempo, los sistemas informáticos se han vuelto más compactos y energéticamente eficientes, y el software se ha optimizado. En la década de 1980, procesar una imagen de 10×10 píxeles podía llevar horas; hoy, los sistemas analizan vídeo 4K en tiempo real y realizan cálculos adicionales en el dispositivo sin consumir energía excesiva. Sin embargo, el dilema del rendimiento persiste, y las empresas de AV están mejorando no solo los sensores, sino también el hardware computacional y los algoritmos de optimización.

¿Procesamiento o percepción?

Los problemas de rendimiento que impiden que el sistema decida qué datos descartar se deben principalmente a limitaciones computacionales, más que a problemas con los sensores LiDAR, de cámara o de radar. Estos sensores funcionan como los ojos y oídos del vehículo, capturando continuamente grandes cantidades de datos ambientales. Sin embargo, si el sistema informático a bordo carece de la capacidad de procesamiento necesaria para procesar toda esta información en tiempo real, la situación se vuelve abrumadora. Como resultado, el sistema debe priorizar ciertos flujos de datos sobre otros, pudiendo ignorar algunos objetos o escenas en situaciones específicas para centrarse en tareas de mayor prioridad.

Este cuello de botella computacional implica que, incluso si los sensores funcionan a la perfección y suelen tener redundancias para garantizar la fiabilidad, el vehículo podría tener dificultades para procesar todos los datos eficazmente. En este contexto, no es apropiado culpar a los sensores, ya que el problema reside en la capacidad de procesamiento de datos. Mejorar el hardware computacional y optimizar los algoritmos son pasos esenciales para mitigar estos desafíos. Al mejorar la capacidad del sistema para gestionar grandes volúmenes de datos, los vehículos autónomos pueden reducir la probabilidad de perder información crítica, lo que se traduce en operaciones más seguras y fiables.

Sistemas lidar, cámara y radar: ventajas y desventajas

Es imposible decir que un tipo de sensor es mejor que otro; cada uno cumple su propia función. Los problemas se resuelven seleccionando el sensor adecuado para una tarea específica.

El LiDAR, si bien ofrece un mapeo 3D preciso, es costoso y presenta dificultades en condiciones climáticas adversas como la lluvia y la niebla, que pueden dispersar sus señales láser. Además, requiere importantes recursos computacionales para procesar sus densos datos.

Las cámaras, aunque rentables, dependen en gran medida de las condiciones de iluminación, por lo que su rendimiento es deficiente con poca luz, deslumbramiento o cambios bruscos de luz. Además, carecen de percepción de profundidad inherente y presentan dificultades con obstrucciones como suciedad, lluvia o nieve en el objetivo.

El radar es fiable para detectar objetos en diversas condiciones climáticas, pero su baja resolución dificulta distinguir entre objetos pequeños o muy próximos entre sí. A menudo genera falsos positivos, detectando elementos irrelevantes que pueden desencadenar respuestas innecesarias. Además, el radar no puede descifrar el contexto ni ayudar a identificar objetos visualmente, a diferencia de las cámaras.

Al aprovechar la fusión de sensores (que combina datos de LiDAR, radar y cámaras), estos sistemas obtienen una comprensión más integral y precisa de su entorno, lo que a su vez mejora tanto la seguridad como la toma de decisiones en tiempo real. Fabricante de llavesLa colaboración con los principales desarrolladores de ADAS ha demostrado la importancia de este enfoque para la fiabilidad del sistema. Hemos trabajado constantemente con conjuntos de datos diversos y de alta calidad para respaldar el entrenamiento y el perfeccionamiento de los modelos.

Waymo vs. Tesla: Una historia de dos visiones autónomas

En el sector de vehículos autónomos, pocas comparaciones generan tanto debate como las de Tesla y Waymo. Ambos son pioneros del futuro de la movilidad, pero con filosofías radicalmente diferentes. Entonces, ¿por qué un coche de Waymo parece una nave espacial repleta de sensores, mientras que el de Tesla parece casi carente de ellos?

Echemos un vistazo al vehículo Waymo. Es un Jaguar básico modificado para la conducción autónoma. En su techo hay docenas de sensores: lidars, cámaras, sistemas láser giratorios (llamados "spinners") y radares. Son realmente muchos: cámaras en los retrovisores, sensores en los parachoques delantero y trasero, sistemas de visión de largo alcance; todo está sincronizado.

Si un vehículo de estas características sufre un accidente, el equipo de ingeniería añade nuevos sensores para recopilar la información faltante. Su enfoque consiste en utilizar el máximo número de tecnologías disponibles.

Entonces, ¿por qué Tesla no sigue el mismo camino? Una de las principales razones es que Tesla aún no ha lanzado su Robotaxi al mercado. Además, su enfoque se centra en la minimización de costes y la innovación. Tesla cree que el uso de lidars es poco práctico debido a su elevado coste: el coste de fabricación de una cámara RGB es de unos 3 dólares, mientras que un lidar puede costar 400 dólares o más. Además, los lidars contienen piezas mecánicas (espejos giratorios y motores), lo que los hace más propensos a fallos y a tener que sustituirlos.

Las cámaras, en cambio, son estáticas. No tienen partes móviles, son mucho más fiables y pueden funcionar durante décadas hasta que la carcasa se degrada o la lente pierde su brillo. Además, son más fáciles de integrar en el diseño de un coche: pueden ocultarse en la carrocería, haciéndose casi invisibles.

Los enfoques de producción también difieren significativamente. Waymo utiliza una plataforma existente —un Jaguar de producción— en la que se montan los sensores. No tienen otra opción. Tesla, en cambio, fabrica vehículos desde cero y puede planificar la integración de sensores en la carrocería desde el principio, ocultándolos a la vista. Formalmente, aparecerán en las especificaciones, pero visualmente serán prácticamente imperceptibles.

Actualmente, Tesla usa ocho cámaras en el coche: en la parte delantera, trasera, en los retrovisores laterales y en las puertas. ¿Usarán sensores adicionales? Creo que sí.

Basándome en mi experiencia como conductor de Tesla, que también ha viajado en vehículos Waymo, creo que la incorporación de lidar mejoraría el sistema de conducción autónoma completa de Tesla. Considero que el sistema de conducción autónoma completa de Tesla actualmente carece de precisión al conducir. Incorporar la tecnología lidar podría mejorar su capacidad para navegar en condiciones difíciles, como un fuerte resplandor solar, polvo en suspensión o niebla. Esta mejora podría hacer que el sistema sea más seguro y fiable que si se basara únicamente en cámaras.

Pero desde una perspectiva empresarial, cuando una empresa desarrolla su propia tecnología, busca una ventaja competitiva: una ventaja tecnológica. Si logra crear una solución considerablemente más eficiente y económica, abre las puertas al dominio del mercado.

Tesla sigue esta lógica. Musk no quiere seguir el camino de otras compañías como Volkswagen o Baidu, que también han logrado avances considerables. Incluso sistemas como Mobileye e iSight, instalados en coches más antiguos, ya demuestran una autonomía decente.

Pero Tesla aspira a ser único, y esa es la lógica empresarial. Si no ofreces algo radicalmente mejor, el mercado no te elegirá.