더 똑똑한 자동차가 보행자를 구하지 않는다

2024년, 7,080명의 보행자가 사망하고 71,000명 이상이 부상했다. 자전거 사고 사망자 수는 1980년 이후最高를 기록했다. 전체 교통 사고 사망자는 2020년 이후 처음으로 40,000명 아래로 떨어졌다. 그러나 거의 모든 진전은 차량 탑승자에게ประโยชน이 돌아갔다. 보행자와 자전거 타는 사람들은 여전히 역사적으로 높은 사망률로 사망하고 있다.

그 간격이 이야기를告诉한다. 운전 보조 기능은 지난 10년 동안 탑승자 사망을 측정할 수 있게 줄였다. 그러나 그들은 취약한 도로 사용자에게 같은 효과를 내지 못했다. 이유는 운전 행동이 아니라 시야에 있다. 차량에 장착된 센서는 차체의 기하학적 제약을 받는다. 보행자와 자전거 타는 사람이 가장 위험에 처하는 곳은 바로 차량 탑재 센서가 구조적으로 가장 약한 곳이다. 시야가 가려진 교차로, 중간 블록 교차로, 시야가 가려진 구석, 주차된 차 사이에서 발을 내민 아이가 있는 학교 구역. 이 제한은 인간 운전자가 앞유리를 통해 바라보는 것, 자동 제동 시스템이 전방 레이더를 읽는 것, 그리고 차량에 탑재된 미래 자율 주행 스택 모두에게 동일하게 적용된다.

過去 10년 동안, 연결된 차량, 자율 주행, 도시 로봇틱스에 관한 모든 대화는 차량과 모든 것(V2X) 대화였다. 차량이 다른 차량, 도로 장비, 보행자의 휴대폰, 네트워크와 통신한다는 아이디어다. 더 큰 센서 스위트, 더 좋은 모델, 더 많은 탑재 컴퓨팅, 더 많은 중복성 — 모두 차량 자체를 중심으로 한다. 이 프레임워크는 실제 진전을 이루었다. 그러나 보행자와 자전거 타는 사람을위한 차량 중심 인식의 한계를 설정했다.

이 작업의 다음 단계는 다른 모양을 가지고 있다. 이를 인프라스트럭처-모두(I2X)라고 부른다. 교차로, 회랑, 주변 인프라가 이동하는 모든 것을 대신하여 인식하고 예측한다. I2X는 더 어려운 문제의 반쪽이다. 이것이 안전 사례가 마침내 닫히는 곳이다.

V2X는 안전성의 한계를 가지고 있으며, 우리는 이제 그것을 맞닥뜨리고 있다

차량 중심 접근 방식은 투자자, 자동차 제조사, 규제 기관에게 인프라스트럭처보다 더 읽을 수 있었다. 진행 상황은 센서 수, 모델 매개 변수, 비활성화率으로 측정할 수 있다. 슬라이드 데크에 잘 들어맞는다. V2X 스택은 성숙했다. 셀룰러 V2X 표준은 실제로, 도로 측 단위는 수십 개의 회랑에 배치되어 있으며, 주요 자동차 및 기술 플레이어는 협력적 인식 플랫폼에 심각한 자본을 투자하고 있다.

그 자본은 실제 이익을 가져왔지만, 다시 한번 주로 차량 탑승자를위한 것이었다. 그것은 취약한 도로 사용자에 대한 간격을 닫지 못했다. 연구 커뮤니티는 왜 그런지 점점 더 명확해지고 있다. 最近의 V2X 협력적 인식 시스템에 대한 경험적 연구는 단일 에이전트 자율 주행 시스템에서 6 가지 반복되는 오류 패턴을 식별한다. 대부분은 동일한 제한에 뿌리를 두고 있다. 차량은 시야를 넘어서는 것을 인식할 수 없다. 시야가 가려진 교차로, 비 시야 교차로, 날씨恶化, 훈련 데이터에 나타나지 않은 에지 케이스. 별도의 연구는 취약한 도로 사용자 안전에 초점을 맞추고 있으며, 다른 각도에서 동일한 결론에 도달한다. 보행자 및 자전거 타는 사람의 위치는 차량 탑재 센서가 구조적으로 해결하기 어려운 실패 모드이다.

더 많은 LiDAR가 도움이 된다. 더 많은 레이더가 도움이 된다. 더 좋은 모델이 도움이 된다. 그러나 그것은 기본적인 기하학을 변경하지 않는다. 차량 탑재 센서는 항상 시야 제한을 가지고 있을 것이다. 시야는 도시 밀도가 증가함에 따라 더 나쁘게 된다. 우리가 자율 주행을 가장 안전하게 유지해야 하는 곳은 정확히 차량 중심 인식이 구조적으로 가장 약한 곳이다.

I2X는 극을 뒤집는다

인프라스트럭처-모두(I2X)는 다른 전제에서 시작한다. 도로, 교차로, 회랑, 로딩 독은 수동적인 표면이 아니다. 그것들은 능동적인 지능 계층이 되어 인식하고, 해석하고, 상태를 외부로 방송한다. 시야가 가려진 교차로에 접근하는 차량은 자신의 센서로 코너를 볼 필요가 없다. 코너가 대신 본다. 주차된 트럭 뒤에 있는 보행자를 예상할 필요가 없는 사이드워크 로봇이 있다. 가로등 기둥이 이미 보행자가 있는 것을 알고 있다.

이것이 우리가 서지에서 구축하는 작업의 한쪽이다. 우리의 배치는 기존 도시 인프라에 탑재된 LiDAR 전용 에지 인식 노드이다. 카메라, 이미지, 개인 식별 데이터는 없다. 우리는 그것을 “물리학에 의한 익명”이라고 부른다. LiDAR는 운동과 기하학을 캡처한다. 얼굴, 라이센스 플레이트, 신원은 캡처하지 않는다. 출력은 위치, 속도, 궤적의 실시간 스트림이다. 동일한 스트림은 도시 교통 엔지니어, 자율 주행 차량 스택, 물류 라우터, 안전 연구자에게 모두 유용하다. 모두 단일 센서 풋프린트에서 나온다.

두 가지 설계 선택이 안전 사례에 중요하다. 첫 번째는 인프라스트럭처 인식이 기본적으로 멀티 테넌트이다. 차량 탑재 센서 스택은 점대점이며 한 번에 하나의 고객만을 제공한다. 가로등 기둥에 탑재된 LiDAR 노드는 모든 차량, 모든 드론, 모든 보행자 안전 애플리케이션에同時적으로 서비스를 제공한다. 경제는 더像是 셀룰러 타워보다 기름井이다. 두 번째는 회랑 수준의 커버리지가 교차로 수준의 커버리지보다 더 중요하다. 분리된 노드는 유용하다. 네트워크화된 회랑은 방어 가능하다. 보행자 안전, 자율 주행 차량 훈련, 응급 대응은 모두 연속성에 의존한다. 스냅샷이 아니다.

실시간 인식은 바닥이다. 예측은 천장이다.

더 깊은 기회는 실시간 계층이 아니다. 실시간 인식은 명백한 안전 사례를 해결한다. 그것 자체로 가치가 있다. 더 깊은 잠금은 AI 모델이 차량이 캡처한 에피소드 스냅샷 대신 지속적인 인프라스트럭처 데이터에 훈련할 때 발생한다.

차량 데이터는 본질적으로 희박하고 불연속적이다. 차량은 하루에 몇 번 교차로를 지나간다. 그것은 한 조각을 본다. 인프라스트럭처 노드는 동일한 교차로를 24시간 동안, 매일, 수년 동안 관찰한다. 그것은 전체 분포를 본다. 동일한 장소를 통과하는 러시아워, 폭풍, 건설, 중단, 이벤트, 계절적 변화. 그것은 본질적으로 다른 종류의 훈련 데이터이며, 본질적으로 다른 종류의 모델을 생성한다.

그 데이터가 축적됨에 따라, 시스템은 반응적인 것이 아니라 예측적인 것이 된다. 발을 내밀기 전에 발을 내밀지 않는 사람의 보행 패턴. 적색 신호를 무시할 것 같은 차량의 감속 프로파일. 버스와 자전거 사이의 근접 미스를 예측하는 수렴 기하학. 이들은 선행 신호이다. 통계적으로 관찰할 수 있다. 충돌 보고서에는 나타나지 않는다. 충돌은 통계적으로 희박하다. 근접 미스는 풍부하다. 인프라스트럭처 시스템은 충돌 데이터베이스가 캡처하지 않는 선행 행동을 관찰한다. 차량이 교차로를 통과하는 동안에는 규모에서 볼 수 없다. 교차로에 존재하는 인프라스트럭처는 그것을 끊임없이 본다.

그것이 실제 안전성 잠금이다. 연결된 이동성의 약속은 충돌 전에 개입할 수 있다는 것이었다. 충돌 후에 문서화하는 것이 아니다. 탑재된 센서 및 반응적 차량-모두 통신은 당신을 부분적으로そこ로 가져다준다. 지속적이고 다중 모드의 인프라스트럭처-주재 데이터에 훈련된 예측 계층이 당신을 나머지 길로 가져다준다. 동일한 논리는 에너지 측면에서도 적용된다. 완전히 자율적인 함대에 전력을 제공하는 회사들은 인프라스트럭처가 필요하다는 것을 보여주고 있다. 다른 도메인, 동일한 결론: 세계는 차량이 혼자서 할 수 없는 일을해야한다.

도시의 신경계

어떤 하나의 배치를 뒤로 물러서서 보면, 이 작업이 실제로 구축하는 것은 도시가 실제로 कभもない 것을 가지고 있는 것이다. 신경계. 도시에는 이미 콘크리트, 강철, 전력 그리드, 광섬유가 있다. 그러나 도시가欠如하는 것은 물리적 환경에 걸쳐 실시간으로 감지하고, 기억하고, 예측하는 계층이다.

I2X는 그 계층이다. 가로등 기둥에 탑재된 LiDAR 노드는 감각 신경처럼 작동한다. 에지 컴퓨팅은 중앙 시스템을 기다리지 않고 빠르게 작동하는 로컬 반사처럼 작동한다. 노드 네트워크는 도시 규모에서 기관 기억을 구축한다. 교차로가 어떻게 작동하는지, 근접 미스가 발생하는지, 흐름이 어떻게 변경되는지, 폭풍, 중단, 건설, 비상 사태 동안 어떻게 변경되는지.

응용 프로그램은 자연스럽게 따른다. 학교 구역의 보행자 안전 경고는 반사이다. 관찰된 흐름을 기반으로 한 교통 신호 조정은 학습된 반사이다. 예측 라우팅 추천은 감지와 기억을 모두 의존한다. 물류, 비상 관리, 기후 적응성, 자율 주행 차량 훈련은 도시가 자신의 작동을 지속적으로 관찰하고 학습할 수 있을 때 더 쉬워진다. 목적은 더 많은 카메라나 대시보드를 추가하는 것이 아니다. 목적은 도시 환경에 도시가 항상欠如해온 능력을 부여하는 것이다. 실시간으로 인식하고, 기억하고, 반응하는 능력이다.

인프라스트럭처는 자율 주행의 경제학을 변경한다

지능 계층이 차량에서 인프라스트럭처로 이동할 때, 자율 주행 및 도시 작동의 경제학은 세 가지 중요한 방식으로 변경된다.

첫 번째는 탑재된 차량 하드웨어의 비용 곡선이 마침내 어디로 가야 하는지 알 수 있다. 오늘날, 모든 자율 주행 차량은 탑재된 모든 인식 문제와 대부분의 안전 문제를 해결해야 한다. 그것이为什么 자율 주행 차량의 부품 비용이 그렇게 보이는 이유이다. 인프라스트럭처가 마지막 100미터의 인식을 제공하고 예측을 제공할 때, 차량은 더 가볍고, 더 저렴하고, 인증하기 더 쉽다. 동일한 논리는 드론, 사이드워크 로봇, 단위 경제학을 닫기 위해 기다리는 모든 다른 자율 주행 형태에 적용된다.

두 번째는 하나의 인프라스트럭처 배치의 주소 가능한 시장은劇的に 확대된다. 도시의 교통 엔지니어링 팀, 국가 물류 운송업체, 자율 주행 셔틀 운영자, 안전 연구자, 보험 언더라이터를 서비스하는 가로등 기둥에 탑재된 LiDAR 노드는 하나의 테넌트만을 서비스하는 센서와根本的に 다른 자산이다. 공유 인프라스트럭처는 점 해결方案으로 합성된다.

세 번째는 재무 이야기가 기관 자본에 읽을 수 있게 된다. 우리는 연결된 인프라스트럭처 배치와 인프라스트럭처 프로젝트 재무에 대한 리더십을 제공한다. 패턴은 익숙하다. 한번에 하나의 물리적 풋프린트에서 다중, 계약된, 장기 수익 흐름을 생성하는 자산 클래스는 자본 비용을 낮추고, 기간을 연장하고, 구축을 가속화한다. 그것이 우리가 지능형 인프라스트럭처에서 접근하는 순간이다. 자본은 기술을 기다리고 있지 않았다. 그것은 가독성이었다.

도로가 되돌아 생각한다

어려운 사망 숫자는 차량이 모든 일을 하도록 요구하는 것을停止할 때까지 물질적으로 움직이지 않을 것이다. 차량 중심 투자의 10년은 표준, 배치, 의미있는 이익을 차량 탑승자에게 가져다주었다. 그러나 그것은 가장 노출된 사람들에게 차량이 잘못된 것을하는 결과에 대한 간격을 닫지 못했다. 구조적인 이유는 문제의 기하학에 내장되어 있다.

다음 장은 인프라스트럭처-아웃이다. 인식하는 도로. 예측하는 교차로. 학습하고 개입하는 회랑. 나중에 에너지 측을 추가하고, 동일한 물리적 풋프린트에서, 그리고 당신은 자율 주행을위한 기초를 가지고 있다. 더 중요한 것은, 도시가 20년 동안 해결하려고 했던 모든 것을 사용할 수있는 인프라스트럭처를 가지고 있다.

V2X는 차량이 말하도록 가르쳤다. I2X는 도시가 느끼고, 뒤로 생각하고, 앞으로 생각하는 것을 배우는 것이다.