Scegliere gli Occhi del Veicolo Autonomo: Una Battaglia di Sensori, Strategie e Compromessi

Entro il 2030, il mercato dei veicoli autonomi è previsto superare i 2.200 miliardi di dollari, con milioni di auto che navigano sulle strade utilizzando l’intelligenza artificiale e sistemi di sensori avanzati. Tuttavia, in mezzo a questa rapida crescita, una fondamentale disputa rimane irrisolta: quali sensori sono più adatti per la guida autonoma — lidar, telecamere, radar o qualcosa di completamente nuovo?

Questa domanda è lontana dall’essere accademica. La scelta dei sensori influenza tutto, dalla sicurezza e dalle prestazioni al costo e all’efficienza energetica. Alcune aziende, come Waymo, puntano sulla ridondanza e sulla varietà, equipaggiando i loro veicoli con una completa gamma di lidar, telecamere e radar. Altre, come Tesla, perseguono un approccio più minimalista e cost-effective, affidandosi pesantemente alle telecamere e all’innovazione software.

Esploriamo queste strategie divergenti, i paradossi tecnici che affrontano e la logica aziendale che guida le loro decisioni.

Perché le Macchine più Intelligenti Richiedono Soluzioni Energetiche più Intelligenti

Questo è davvero un problema importante. Ho affrontato un dilemma simile quando ho lanciato una startup legata ai droni nel 2013. Stavamo cercando di creare droni in grado di tracciare i movimenti umani. All’epoca, l’idea era all’avanguardia, ma presto è diventato chiaro che c’era un paradosso tecnico.

Perché un drone possa tracciare un oggetto, deve analizzare i dati dei sensori, il che richiede potenza di calcolo — un computer a bordo. Tuttavia, più il computer deve essere potente, maggiore è il consumo di energia. Di conseguenza, è necessaria una batteria con maggiore capacità. Tuttavia, una batteria più grande aumenta il peso del drone, e più peso richiede ancora più energia. Si crea un ciclo vizioso: l’aumento della potenza richiede un maggiore consumo di energia, peso e, alla fine, costo.

Lo stesso problema si applica ai veicoli autonomi. Da un lato, si vuole equipaggiare il veicolo con tutti i possibili sensori per raccogliere il maggior numero di dati possibile, sincronizzarli e prendere le decisioni più accurate. Dall’altro lato, ciò aumenta notevolmente il costo del sistema e il consumo di energia. È importante considerare non solo il costo dei sensori stessi, ma anche l’energia necessaria per elaborare i loro dati.

La quantità di dati è in aumento e il carico computazionale sta crescendo. Naturalmente, nel tempo, i sistemi di calcolo sono diventati più compatti e efficienti dal punto di vista energetico, e il software è diventato più ottimizzato. Negli anni ’80, l’elaborazione di un’immagine da 10×10 pixel poteva richiedere ore; oggi, i sistemi analizzano video in 4K in tempo reale e eseguono ulteriori calcoli sul dispositivo senza consumare eccessiva energia. Tuttavia, il dilemma delle prestazioni rimane ancora, e le aziende di veicoli autonomi stanno migliorando non solo i sensori, ma anche il hardware computazionale e gli algoritmi di ottimizzazione.

Elaborazione o Percezione?

I problemi di prestazione, in cui il sistema deve decidere quali dati scartare, sono principalmente dovuti a limitazioni computazionali piuttosto che a problemi con i sensori LiDAR, camera o radar. Questi sensori funzionano come gli occhi e le orecchie del veicolo, catturando continuamente grandi quantità di dati ambientali. Tuttavia, se il “cervello” del computer a bordo non ha la potenza di elaborazione necessaria per gestire tutte queste informazioni in tempo reale, diventa schiacciante. Di conseguenza, il sistema deve priorizzare alcuni flussi di dati rispetto ad altri, potenzialmente ignorando alcuni oggetti o scene in situazioni specifiche per concentrarsi su compiti di priorità più alta.

Questo collo di bottiglia computazionale significa che anche se i sensori funzionano perfettamente, e spesso hanno ridondanze per garantire l’affidabilità, il veicolo può comunque lottare per elaborare tutti i dati in modo efficace. Incolpare i sensori non è appropriato in questo contesto, poiché il problema risiede nella capacità di elaborazione dei dati. Migliorare il hardware computazionale e ottimizzare gli algoritmi sono passi essenziali per mitigare queste sfide. Migliorando la capacità del sistema di gestire grandi volumi di dati, i veicoli autonomi possono ridurre la probabilità di perdere informazioni critiche, portando a operazioni più sicure e affidabili.

Lidar, Telecamera e Radar: Vantaggi e Svantaggi

È impossibile dire che un tipo di sensore sia migliore di un altro — ognuno serve uno scopo specifico. I problemi vengono risolti selezionando il sensore appropriato per un compito specifico.

Il LiDAR, sebbene offra una mappatura 3D precisa, è costoso e fatica in condizioni meteorologiche avverse come la pioggia e la nebbia, che possono disperdere i suoi segnali laser. Richiede inoltre risorse computazionali significative per elaborare i suoi dati densi.

Le telecamere, sebbene siano economiche, dipendono fortemente dalle condizioni di illuminazione, funzionando male con poca luce, abbagliamento o rapidi cambiamenti di luce. Mancano inoltre di percezione della profondità intrinseca e lottano con gli ostacoli come la sporcizia, la pioggia o la neve sul lente.

Il radar è affidabile nella rilevazione di oggetti in varie condizioni meteorologiche, ma la sua bassa risoluzione lo rende difficile da distinguere tra piccoli o oggetti ravvicinati. Spesso genera falsi positivi, rilevando elementi irrilevanti che possono scatenare risposte non necessarie. Inoltre, il radar non può decifrare il contesto o aiutare a identificare gli oggetti visivamente, a differenza delle telecamere.

Sfruttando la fusione dei sensori — combinando i dati da LiDAR, radar e telecamere — questi sistemi guadagnano una comprensione più olistica e precisa dell’ambiente, che a sua volta migliora sia la sicurezza che la capacità di prendere decisioni in tempo reale. La collaborazione di Keymakr con i principali sviluppatori di ADAS ha mostrato quanto sia critico questo approccio per l’affidabilità del sistema. Abbiamo costantemente lavorato su dataset diversi e di alta qualità per supportare la formazione e il raffinamento dei modelli.

Waymo VS Tesla: Una Favola di Due Visioni Autonome

Nel settore dei veicoli autonomi, poche confronti scatenano tanto dibattito quanto Tesla e Waymo. Entrambe stanno facendo la storia del futuro della mobilità — ma con filosofie radicalmente diverse. Perché quindi una vettura Waymo sembra un’astronave piena di sensori, mentre Tesla appare quasi priva di sensori esterni?

Guardiamo la vettura Waymo. È una Jaguar di base modificata per la guida autonoma. Sul suo tetto ci sono decine di sensori: lidar, telecamere, sistemi laser rotanti (cosiddetti “giratori”) e radar. Ce ne sono davvero molti: telecamere negli specchietti, sensori sul paraurti anteriore e posteriore, sistemi di visione a lungo raggio — tutto ciò è sincronizzato.

Se tale veicolo è coinvolto in un incidente, il team di ingegneria aggiunge nuovi sensori per raccogliere le informazioni mancanti. Il loro approccio è utilizzare il massimo numero di tecnologie disponibili.

Perché quindi Tesla non segue la stessa strada? Una delle principali ragioni è che Tesla non ha ancora rilasciato il suo Robotaxi sul mercato. Inoltre, il loro approccio si concentra sulla minimizzazione dei costi e sull’innovazione. Tesla ritiene che utilizzare i lidar sia impraticabile a causa del loro alto costo: il costo di produzione di una telecamera RGB è di circa 3 dollari, mentre un lidar può costare 400 dollari o più. Inoltre, i lidar contengono parti meccaniche — specchi rotanti e motori — che li rendono più soggetti a guasti e sostituzione.

Le telecamere, al contrario, sono statiche. Non hanno parti mobili, sono molto più affidabili e possono funzionare per decenni fino a quando il contenitore non si degrada o l’obiettivo non si offusca. Inoltre, le telecamere sono più facili da integrare nel design di un’auto: possono essere nascoste all’interno del corpo, rese quasi invisibili.

Gli approcci di produzione differiscono notevolmente. Waymo utilizza una piattaforma esistente — una Jaguar di produzione — sulla quale vengono montati i sensori. Non hanno altra scelta. Tesla, d’altra parte, produce veicoli da zero e può pianificare l’integrazione dei sensori nel corpo fin dall’inizio, nascondendoli alla vista. Formalmente, saranno elencati nelle specifiche, ma visivamente saranno quasi impercettibili.

Attualmente, Tesla utilizza otto telecamere intorno all’auto — anteriori, posteriori, specchietti laterali e porte. Useranno sensori aggiuntivi? Credo di sì.

Sulla base della mia esperienza come guidatore di Tesla che ha anche viaggiato su veicoli Waymo, credo che l’incorporazione del lidar migliorerebbe il sistema di guida autonoma di Tesla. Mi sembra che il FSD di Tesla attualmente manchi di una certa precisione durante la guida. L’aggiunta della tecnologia lidar potrebbe migliorare la sua capacità di navigare in condizioni difficili come il forte abbagliamento del sole, la polvere sospesa in aria o la nebbia. Questo miglioramento potrebbe rendere il sistema più sicuro e affidabile rispetto all’affidarsi solo alle telecamere.

Ma dal punto di vista aziendale, quando un’azienda sviluppa la sua tecnologia, punta a un vantaggio competitivo — un vantaggio tecnologico. Se può creare una soluzione che sia drasticamente più efficiente e più economica, apre la porta al dominio del mercato.

Tesla segue questa logica. Musk non vuole seguire la strada di altre aziende come Volkswagen o Baidu, che hanno anch’esse fatto notevoli progressi. Anche sistemi come Mobileye e iSight, installati in auto più vecchie, dimostrano già una decente autonomia.

Ma Tesla mira a essere unica — e questa è logica aziendale. Se non offri qualcosa di radicalmente migliore, il mercato non ti sceglierà.