Elegir los ojos del vehículo autónomo: una batalla de sensores, estrategias y compromisos

Para 2030, se espera que el mercado de vehículos autónomos supere los $2.2 billones, con millones de coches navegando por las carreteras utilizando inteligencia artificial y sistemas de sensores avanzados. Sin embargo, en medio de este crecimiento rápido, una debate fundamental sigue sin resolverse: ¿qué sensores son los mejores para la conducción autónoma — lidars, cámaras, radares o algo completamente nuevo?

Esta pregunta no es solo académica. La elección de sensores afecta todo, desde la seguridad y el rendimiento hasta el costo y la eficiencia energética. Algunas empresas, como Waymo, apuestan por la redundancia y la variedad, equipando sus vehículos con una amplia gama de lidars, cámaras y radares. Otras, como Tesla, siguen un enfoque más minimalista y rentable, confiando en gran medida en cámaras y innovación en software.

Exploraremos estas estrategias divergentes, los paradoxos técnicos que enfrentan y la lógica empresarial que impulsa sus decisiones.

Por qué las máquinas más inteligentes requieren soluciones de energía más inteligentes

Este es un tema importante. Me enfrenté a un dilema similar cuando lancé una startup relacionada con drones en 2013. Estábamos tratando de crear drones capaces de rastrear el movimiento humano. En ese momento, la idea estaba adelantada, pero pronto se hizo evidente que había un paradoja técnica.

Para que un dron pueda rastrear un objeto, debe analizar los datos de los sensores, lo que requiere potencia computacional — un ordenador a bordo. Sin embargo, cuanto más potente debe ser el ordenador, mayor es el consumo de energía. En consecuencia, se necesita una batería con mayor capacidad. Sin embargo, una batería más grande aumenta el peso del dron, y más peso requiere aún más energía. Se crea un ciclo vicioso: el aumento de la potencia requiere un mayor consumo de energía, peso y, en última instancia, costo.

El mismo problema se aplica a los vehículos autónomos. Por un lado, deseas 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 aumenta significativamente el costo y el consumo de energía del sistema. Es importante considerar no solo el costo de los sensores en sí, sino también la energía necesaria para procesar sus datos.

La cantidad de datos está aumentando, y la carga computacional está creciendo. Por supuesto, con el tiempo, los sistemas de computación se han vuelto más compactos y eficientes en términos de energía, y el software se ha vuelto más optimizado. En la década de 1980, procesar una imagen de 10×10 píxeles podía tomar horas; hoy en día, los sistemas analizan video en 4K en tiempo real y realizan cálculos adicionales en el dispositivo sin consumir una cantidad excesiva de energía. Sin embargo, el dilema de rendimiento sigue siendo un problema, 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 donde el sistema debe decidir qué datos descartar se deben principalmente a limitaciones computacionales y no a problemas con los sensores LiDAR, cámara o radar. Estos sensores funcionan como los ojos y oídos del vehículo, capturando continuamente grandes cantidades de datos ambientales. Sin embargo, si el cerebro computacional a bordo carece de la potencia de procesamiento para manejar toda esta información en tiempo real, se vuelve abrumador. Como resultado, el sistema debe priorizar ciertos flujos de datos sobre otros, potencialmente ignorando algunos objetos o escenas en situaciones específicas para centrarse en tareas de mayor prioridad.

Este cuello de botella computacional significa que incluso si los sensores funcionan perfectamente, y a menudo tienen redundancias para garantizar la confiabilidad, el vehículo aún puede tener dificultades para procesar todos los datos de manera efectiva. Culpar a los sensores no es apropiado en este contexto, ya que el problema radica 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 manejar grandes volúmenes de datos, los vehículos autónomos pueden reducir la probabilidad de perder información crítica, lo que conduce a operaciones más seguras y confiables.

Sistemas LiDAR, cámara y radar: ventajas y desventajas

Es imposible decir que un tipo de sensor es mejor que otro — cada uno tiene su propio propósito. Los problemas se resuelven seleccionando el sensor adecuado para una tarea específica.

LiDAR, aunque ofrece una cartografía 3D precisa, es costoso y tiene dificultades en condiciones climáticas adversas como la lluvia y la niebla, que pueden dispersar sus señales de láser. También requiere recursos computacionales significativos para procesar sus datos densos.

Las cámaras, aunque rentables, dependen en gran medida de las condiciones de iluminación, funcionando mal en condiciones de poca luz, deslumbramiento o cambios rápidos de iluminación. También carecen de percepción de profundidad inherente y tienen dificultades con obstáculos como el barro, la lluvia o la nieve en la lente.

Radar es confiable para detectar objetos en diversas condiciones climáticas, pero su baja resolución hace que sea difícil distinguir entre objetos pequeños o espaciados. A menudo genera falsos positivos, detectando artículos 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 — combinando datos de LiDAR, radar y cámaras — estos sistemas obtienen una comprensión más holística y precisa de su entorno, lo que a su vez mejora tanto la seguridad como la toma de decisiones en tiempo real. La colaboración de Keymakr con desarrolladores de ADAS líderes ha demostrado lo crítico que es este enfoque para la confiabilidad del sistema. Hemos trabajado consistentemente en conjuntos de datos diversos y de alta calidad para apoyar el entrenamiento y la refinación de modelos.

Waymo VS Tesla: una historia de dos visiones autónomas

En AV, pocas comparaciones generan tanto debate como Tesla y Waymo. Ambas están pioneras en el futuro de la movilidad — pero con filosofías radicalmente diferentes. ¿Por qué un coche Waymo parece un vehículo lleno de sensores, mientras que Tesla parece casi libre de sensores externos?

Miremos el vehículo Waymo. Es un Jaguar modificado para la conducción autónoma. En su techo hay decenas de sensores: lidars, cámaras, sistemas láser giratorios (llamados “giradores”) y radares. Hay muchos de ellos: cámaras en los espejos, sensores en los parachoques delantero y trasero, sistemas de visión de largo alcance — todo esto está sincronizado.

Si tal vehículo se ve involucrado en un accidente, el equipo de ingeniería agrega nuevos sensores para recopilar la información que falta. Su enfoque es utilizar la mayor cantidad de tecnologías disponibles.

¿Por qué Tesla no sigue el mismo camino? Una de las razones principales es que Tesla aún no ha lanzado su Robotaxi al mercado. Además, su enfoque se centra en la minimización de costos y la innovación. Tesla cree que el uso de lidars es poco práctico debido a su alto costo: el costo de fabricación de una cámara RGB es de aproximadamente $3, mientras que un lidar puede costar $400 o más. Además, los lidars contienen partes mecánicas — espejos giratorios y motores — lo que los hace más propensos a fallas y reemplazos.

Las cámaras, por otro lado, son estáticas. No tienen partes móviles, son mucho más confiables y pueden funcionar durante décadas hasta que el caso se degrade o la lente se desvanezca. Además, las cámaras son más fáciles de integrar en el diseño de un coche: pueden esconderse dentro del cuerpo, hacerse casi invisibles.

Los enfoques de producción también difieren significativamente. Waymo utiliza una plataforma existente — un Jaguar de producción — al que se montan sensores. No tienen elección. Tesla, por otro lado, fabrica vehículos desde cero y puede planificar la integración de sensores en el cuerpo desde el principio, ocultándolos a la vista. Formalmente, se enumerarán en las especificaciones, pero visualmente serán casi imperceptibles.

Actualmente, Tesla utiliza ocho cámaras alrededor del coche — en la parte delantera, trasera, espejos laterales y puertas. ¿Utilizarán sensores adicionales? Creo que sí.

Basándome en mi experiencia como conductor de Tesla que también ha viajado en vehículos Waymo, creo que incorporar lidar mejoraría el sistema de conducción autónoma de Tesla. Me parece que el FSD de Tesla actualmente carece de precisión al conducir. Agregar tecnología lidar podría mejorar su capacidad para navegar condiciones desafiantes como deslumbramiento solar significativo, polvo en el aire o niebla. Esta mejora potencialmente haría que el sistema sea más seguro y confiable en comparación con confiar solo en cámaras.

Pero desde la perspectiva empresarial, cuando una empresa desarrolla su propia tecnología, apunta a una ventaja competitiva — una ventaja tecnológica. Si puede crear una solución que sea dramáticamente más eficiente y barata, abre la puerta al dominio del mercado.

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

Pero Tesla apunta a ser única — y esa es la lógica empresarial. Si no ofrece algo radicalmente mejor, el mercado no lo elegirá.