Valitse autonomisen ajoneuvon silmät: Anturien, strategioiden ja kompromissien taistelu

Vuoteen 2030 mennessä autonomisen ajoneuvon markkinan odotetaan ylittävän 2,2 biljoonaa dollaria, ja miljoonat autot navigoivat teillä käyttäen tekoälyä ja edistyneitä anturijärjestelmiä. Silti nopean kasvun keskellä perustava kysymys on edelleen ratkaisematta: mitkä anturit ovat parhaiten soveltuvia autonomiseen ajoon — lidarit, kamerat, radat vai joku aivan uusi?

Tämä kysymys ei ole pelkästään akateeminen. Anturin valinta vaikuttaa kaikkeen turvallisuudesta ja suorituskyvystä kustannuksiin ja energiatehokkuuteen. Jotkut yhtiöt, kuten Waymo, panostavat redundanssiin ja monipuolisuuteen varustamalla ajoneuvonsa täydellä sarjalla lidareita, kameroita ja radoita. Toiset, kuten Tesla, seuraavat minimalistista ja kustannustehokasta lähestymistapaa, luottaen pääasiassa kameroihin ja ohjelmistoinnovaatioihin.

Tutustumme näihin erilaisten strategioihin, niiden aiheuttamiin teknisiin paradokseihin ja liiketoimintalogiikkaan, joka ohjaa heidän päätöksiään.

Miksi älykkäät koneet vaativat älykkäitä energiaratkaisuja

Tämä on todella tärkeä asia. Kohtasin samanlaisen dilemmannin, kun perustin drone-aiheisen startupin vuonna 2013. Yritimme luoda droneja, jotka pystyisivät seuraamaan ihmisen liikettä. Silloin idea oli edelläkävijä, mutta pian selvisi, että siinä oli tekninen paradoksi.

Jotta drone pystyisi seuraamaan kohdetta, se joutuisi analysoimaan anturidataa, mikä vaatii laskentakapasiteettia — kannettavan tietokoneen. Mitä tehokkaampi tietokone on, sitä enemmän energiaa se kuluttaa. Seurauksena on, että tarvitaan akku, jossa on suurempi kapasiteetti. Suurempi akku kuitenkin lisää dronen painoa, ja suurempi paino vaatii vielä enemmän energiaa. Syntyy paholaisen kehä: kasvava tehokkuus johtaa suurempaan energiankulutukseen, painoon ja lopulta kustannuksiin.

Sama ongelma koskee autonomisia ajoneuvoja. Toisaalta haluat varustaa ajoneuvon kaikilla mahdollisilla antureilla kerätäksesi mahdollisimman paljon dataa, synchronisoidaksesi sen ja tehdäksesi mahdollisimman tarkan päätöksen. Toisaalta tämä lisää merkittävästi järjestelmän kustannuksia ja energiankulutusta. On tärkeää ottaa huomioon sekä itse anturien kustannukset että energian, jota tarvitaan datan prosessointiin.

Datamäärä kasvaa, ja laskentakuorma kasvaa. Tietysti ajan myötä laskentajärjestelmät ovat kehittyneet yhä enemmän energiatehokkaiksi, ja ohjelmistot ovat kehittyneet yhä enemmän optimoituiksi. 1980-luvulla 10×10 pikselin kuvan prosessointi saattoi kestää tunteja; nykyään järjestelmät analysoivat 4K-videota reaaliajassa ja suorittavat lisäksi laskentoja laitteessa ilman liiallista energiankulutusta. Mutta suorituskykyongelma on edelleen olemassa, ja AV-yritykset parantavat sekä antureita että laskentakoneita ja optimointialgoritmeja.

Prosessointi vai havainto?

Suorituskykyongelmat, joissa järjestelmän on päättävä, mitä dataa jätetään pois, johtuvat lähinnä laskentarajoituksista eikä LiDAR-, kamera- tai radartunnistimien ongelmista. Nämä anturit toimivat ajoneuvon silminä ja korvina, jatkuvasti keräten ympäristödataa. Mutta jos kannettavan tietokoneen “aivot” eivät ole riittävän tehokkaita käsittelemään tätä tietoa reaaliajassa, se muuttuu ylivoimaiseksi. Seurauksena järjestelmän on priorisoitava tiettyjä dataströmejä muiden kustannuksella, mahdollisesti jättäen huomiotta joitain kohteita tai kohtauksia tietyissä tilanteissa keskittyäkseen tärkeämpiin tehtäviin.

Tämä laskentapullonkaula tarkoittaa, että vaikka anturit toimivat täydellisesti — usein niissä on redundanssit turvallisuuden varmistamiseksi — ajoneuvo voi silti kamppailla datan tehokkaan prosessoinnin kanssa. Anturien syyttäminen ei ole soveliasta tässä asiayhteydessä, koska ongelma liittyy tietojen prosessointikapasiteettiin. Laskentakoneiden ja algoritmien parantaminen on olennaisia askelia haasteiden lieventämiseksi. Parantamalla järjestelmän kykyä käsitellä suuria tietomääriä autonomiset ajoneuvot voivat vähentää kriittisen tiedon puutteen todennäköisyyttä, mikä johtaa turvallisempiin ja luotettavampiin toimintoihin.

Lidar, kamera ja radartunnistimet: Plussat ja miinukset

On mahdotonta sanoa, kumpi anturityyppi on parempi — kunkin anturin omalla alueellaan se toimii parhaiten. Ongelmia ratkaistaan valitsemalla sopiva anturi tiettyyn tehtävään.

LiDAR tarjoaa tarkan 3D-kartan, mutta se on kallista ja kamppailee epäsuotuisissa sääolosuhteissa, kuten sateessa ja sumussa, jotka voivat hajottaa laserisignaaleja. Se vaatii myös merkittäviä laskentaresursseja prosessoidakseen tiheää dataa.

Kamerat ovat edullisia, mutta ne ovat riippuvaisia valaistusolosuhteista, ja ne suorittavat huonosti heikossa valossa, säteilyssä tai nopeissa valaistuksen muutoksissa. Niillä ei myöskään ole sisäänrakennettua syvyyden havaintokykyä, ja ne kamppailevat esteiden, kuten pölyksen, sateen tai lumen, kanssa linssin päällä.

Radat ovat luotettavia objektiiden havaitsemisessa erilaisissa sääolosuhteissa, mutta niiden matala resoluutio tekee vaikeaksi erottaa pieniä tai lähekkäin olevia objekteja. Ne tuottavat usein virheellisiä positiivisia tuloksia, havaitsemalla merkityksettömiä kohteita, jotka voivat laukaista tarpeettomia reaktioita. Lisäksi radat eivät voi tulkita asiayhteyttä tai auttaa objektiiden visuaalista tunnistamista, toisin kuin kamerat.

Käyttämällä anturifusiotekniikkaa — yhdistämällä dataa LiDAR-, rada- ja kamerajärjestelmistä — nämä järjestelmät saavat holistisemman ja tarkin ymmärryksen ympäristöstään, mikä edelleen parantaa sekä turvallisuutta että reaaliaikaisia päätöksiä. Keymakrn yhteistyö johtavien ADAS-kehittäjien kanssa on osoittanut, kuinka kriittinen tämä lähestymistapa on järjestelmän luotettavuudelle. Olemme jatkuvasti työskennelleet monipuolisten, laadukkaiden tietojoukkoihin perustuen mallien koulutusta ja hienosäätöä varten.

Waymo VS Tesla: Kaksi autonomisen visiota

Automaattisessa ajossa harvat vertailut herättävät yhtä paljon keskustelua kuin Tesla ja Waymo. Molemmat ovat uranuurtajia tulevaisuuden liikenteessä — mutta radikaalisti erilaisilla filosofioilla. Miksi Waymon ajoneuvo näyttää anturipakkauselta avaruusalukselta, kun taas Tesla näyttää melkein anturittomalta?

Otetaanpa Waymon ajoneuvo. Se on Jaguarin perusmalli, joka on muunnettu autonomiseen ajoon. Katolla on kymmeniä antureita: lidareita, kameroita, pyöriviä lasersysteemejä (niin kutsuttuja “spinnejä”) ja radoita. Niitä on todella paljon: kamerat peileissä, anturit etu- ja taka-puskurissa, kaukokatseiset järjestelmät — kaikki tämä on synchronoitu.

Jos tällainen ajoneuvo joutuu onnettomuuteen, insinööritiimi lisää uusia antureita keräämään puuttuvaa tietoa. Heidän lähestymistapansa on käyttää kaikkia saatavilla olevia teknologioita.

Miksi Tesla ei seuraa samaa polkua? Yksi pääsyy on, että Tesla ei ole vielä julkaissut Robotaxiaan markkinoilla. Lisäksi heidän lähestymistapansa keskittyy kustannusten minimointiin ja innovaatioon. Tesla uskoo, että lidariteknologian käyttäminen on epäkäytännöllistä sen korkean hinnan vuoksi: RGB-kameran valmistuskustannus on noin 3 dollaria, kun taas lidarin hinta on 400 dollaria tai enemmän. Lisäksi lidareissa on mekaanisia osia — pyöriviä peilejä ja moottoreita — mikä tekee niistä alttiimpia vikaisuudelle ja korvaamiselle.

Kamerat sen sijaan ovat staattisia. Niissä ei ole liikkuvia osia, ne ovat paljon luotettavampia ja voivat toimia vuosikymmenien ajan, kunnes kuori vaurioituu tai linssi himmenee. Lisäksi kamerat ovat helpompia integroida auton suunnitteluun: ne voidaan piilottaa auton runkoon ja tehdä lähes näkymättömiksi.

Valmistuslähestymistavat eroavat myös merkittävästi. Waymo käyttää olemassa olevaa alustaa — tuotantoon valmistettua Jaguaria — johon anturit asennetaan. Heillä ei ole valinnanvaraa. Tesla sen sijaan valmistaa ajoneuvoja alusta alkaen ja voi suunnitella anturien integroinnin runkoon alusta alkaen, piilottaa ne näkyvistä.

Tällä hetkellä Tesla käyttää kahdeksaa kameraa ympäri auton — edessä, takana, peileissä ja ovissa. Käyttävätkö he lisää antureita? Uskon, että käyttävät.

Oman kokemukseni perusteella, oltuani sekä Teslan kuljettajana että Waymon ajoneuvossa, uskon, että lidariteknologian ottaminen käyttöön parantaisi Teslan Full Self-Driving -järjestelmää. Tuntuisi minulle, että Teslan FSD puuttuu tällä hetkellä tarkkuutta ajaessa. Lidariteknologian lisääminen voisi parantaa sen kykyä navigoida haastavissa olosuhteissa, kuten voimakkaassa auringonpaisteessa, ilmassa leijuvassa pölyssä tai sumussa. Tämä parannus voisi tehdä järjestelmästä turvallisemman ja luotettavamman verrattuna pelkästään kamerien käyttöön.

Mutta liiketoimintalogiikan kannalta, kun yritys kehittää omaa teknologiaansa, se tavoittelee kilpailuetua — teknologista etua. Jos se voi luoda ratkaisun, joka on dramaattisesti tehokkaampi ja halvempi, se avaa oven markkinajohtajuuteen.

Tesla seuraa tätä logiikkaa. Musk ei halua seurata muiden yritysten, kuten Volkswagenin tai Baidun, jäljissä, jotka ovat myös tehneet merkittäviä edistysaskelia. Jopa järjestelmät, kuten Mobileye ja iSight, vanhemmissa autoissa, osoittavat jo nyt kohtalaisen autonomian.

Mutta Tesla pyrkii olemaan ainutlaatuinen — ja se on liiketoimintalogiikkaa. Jos et tarjoa jotain radikaalisti parempaa, markkinat eivät valitse sinua.