Het kiezen van de ogen van het autonome voertuig: een strijd van sensoren, strategieën en compromissen

Against 2030 wordt verwacht dat de markt voor autonome voertuigen een omvang van meer dan $2,2 biljoen zal bereiken, met miljoenen auto’s die wegen bevaren met behulp van AI en geavanceerde sensorsystemen. Toch blijft er, ondanks deze snelle groei, een fundamentele discussie onopgelost: welke sensoren zijn het beste geschikt voor autonoom rijden — lidars, camera’s, radars of iets geheel nieuws?

Deze vraag is verre van academisch. De keuze van sensoren heeft invloed op alles, van veiligheid en prestaties tot kosten en energiedoeltreffendheid. Sommige bedrijven, zoals Waymo, zetten in op redundantie en diversiteit, door hun voertuigen uit te rusten met een complete set van lidars, camera’s en radars. Anderen, zoals Tesla, volgen een meer minimalistische en kosteneffectieve aanpak, waarbij ze zwaar leunen op camera’s en software-innovatie.

Laten we deze uiteenlopende strategieën verkennen, de technische paradoxen waar ze mee te maken krijgen en de bedrijfslogica die hun beslissingen drijft.

Waarom slimmere machines slimmere energielopende oplossingen vereisen

Dit is inderdaad een belangrijk punt. Ik stond voor een soortgelijk dilemma toen ik in 2013 een startup voor drones lanceerde. We wilden drones creëren die in staat waren om menselijke bewegingen te volgen. Toen bleek al snel dat er een technische paradox was.

Om een object te volgen, moet een drone sensordata analyseren, wat rekenkracht vereist — een onboard-computer. Echter, hoe krachtiger de computer moet zijn, hoe hoger het energieverbruik. Vervolgens is een batterij met meer capaciteit nodig. Echter, een grotere batterij verhoogt het gewicht van de drone, en meer gewicht vereist nog meer energie. Een vicieuze cirkel ontstaat: toenemende vermogensvereisten leiden tot hoger energieverbruik, gewicht en uiteindelijk kosten.

Hetzelfde probleem geldt voor autonome voertuigen. Enerzijds wilt u het voertuig uitrusten met alle mogelijke sensoren om zo veel mogelijk data te verzamelen, te synchroniseren en de meest accurate beslissingen te nemen. Anderzijds verhoogt dit aanzienlijk de kosten en het energieverbruik van het systeem. Het is belangrijk om niet alleen de kosten van de sensoren zelf te overwegen, maar ook de energie die nodig is om hun data te verwerken.

De hoeveelheid data neemt toe en de berekeningslast groeit. Natuurlijk zijn computersisteem in de loop van de tijd compacter en energiedoeltreffender geworden, en is de software geoptimaliseerd. In de jaren tachtig kon het verwerken van een 10×10 pixel-afbeelding uren duren; tegenwoordig analyseren systemen 4K-video in real-time en voeren ze aanvullende berekeningen uit op het apparaat zonder excessief energieverbruik. Echter, het prestatieprobleem blijft bestaan, en AV-bedrijven werken niet alleen aan het verbeteren van sensoren, maar ook aan rekenhardware en optimalisatiealgoritmen.

Verwerking of perceptie?

De prestatieproblemen waarbij het systeem moet beslissen welke data te laten vallen, zijn voornamelijk te wijten aan berekeningsbeperkingen en niet aan problemen met LiDAR-, camera- of radarsensoren. Deze sensoren fungeren als de ogen en oren van het voertuig, en verzamelen continu grote hoeveelheden omgevingsdata. Echter, als de onboard-computing “hersenen” niet over voldoende rekenkracht beschikken om al deze informatie in real-time te verwerken, wordt het overweldigend. Als gevolg daarvan moet het systeem bepaalde datastromen prioriteren boven andere, waardoor het mogelijk enkele objecten of scènes in specifieke situaties negeert om zich te concentreren op hogere prioriteitstaken.

Dit berekeningsbottleneck betekent dat, zelfs als de sensoren perfect functioneren — en vaak hebben ze redundantie om betrouwbaarheid te garanderen — het voertuig nog steeds kan worstelen om alle data effectief te verwerken. Het is niet terecht om de sensoren de schuld te geven in deze context, omdat het probleem ligt in de dataverwerkingscapaciteit. Het verbeteren van rekenhardware en het optimaliseren van algoritmen zijn essentiële stappen om deze uitdagingen te mitigeren. Door de capaciteit van het systeem om grote hoeveelheden data te verwerken te verbeteren, kunnen autonome voertuigen de kans op het missen van cruciale informatie verminderen, wat leidt tot veiligere en betrouwbaardere operaties.

Lidar, camera en radarsystemen: voor- en nadelen

Het is onmogelijk om te zeggen dat een bepaald type sensor beter is dan een ander — elk heeft zijn eigen doel. Problemen worden opgelost door de juiste sensor voor een specifieke taak te selecteren.

Lidar biedt, terwijl het nauwkeurige 3D-mapping biedt, is duur en heeft moeite met slechte weersomstandigheden zoals regen en mist, die de lasersignalen kunnen verspreiden. Het vereist ook aanzienlijke berekeningsbronnen om de dichte data te verwerken.

Camera’s, hoewel kosteneffectief, zijn sterk afhankelijk van lichtomstandigheden, presteren slecht bij weinig licht, glans of snelle lichtveranderingen. Ze missen ook inherente dieptewaarneming en worstelen met obstakels zoals vuil, regen of sneeuw op de lens.

Radar is betrouwbaar bij het detecteren van objecten in verschillende weersomstandigheden, maar de lage resolutie maakt het moeilijk om kleine of dichtbij elkaar gelegen objecten te onderscheiden. Het genereert vaak valse positieven, waarbij onbelangrijke voorwerpen worden gedetecteerd die onnodige reacties kunnen uitlokken. Bovendien kan radar geen context ontcijferen of helpen bij het visueel identificeren van objecten, in tegenstelling tot camera’s.

Door sensorfusie te gebruiken — het combineren van data van LiDAR, radar en camera’s — krijgen deze systemen een meer holistische en nauwkeurige kennis van hun omgeving, wat op zijn beurt zowel de veiligheid als de real-time besluitvorming verbetert. Keymakr’s samenwerking met toonaangevende ADAS-ontwikkelaars heeft laten zien hoe cruciaal deze aanpak is voor systeembetrouwbaarheid. We hebben consequent gewerkt aan diverse, hoogwaardige datasets om modeltraining en -verfijning te ondersteunen.

Waymo VS Tesla: een verhaal van twee autonome visies

In de AV, wekken weinig vergelijkingen zoveel discussie op als Tesla en Waymo. Beiden zijn pioniers in de toekomst van mobiliteit — maar met radicaal verschillende filosofieën. Waarom ziet een Waymo-auto eruit als een sensorvol ruimteschip, terwijl Tesla er bijna vrij van externe sensoren uitziet?

Laten we naar het Waymo-voertuig kijken. Het is een basis-Jaguar die is aangepast voor autonoom rijden. Op het dak staan tientallen sensoren: lidars, camera’s, roterende lasersystemen (zogenaamde “spinners”) en radars. Er zijn er echt veel van: camera’s in de spiegels, sensoren op de voor- en achterbumper, langeafstandssystemen — alles is gesynchroniseerd.

Als zo’n voertuig betrokken raakt bij een ongeval, voegt het engineersteam nieuwe sensoren toe om de ontbrekende informatie te verzamelen. Hun aanpak is om het maximum aantal beschikbare technologieën te gebruiken.

Waarom volgt Tesla niet hetzelfde pad? Een van de belangrijkste redenen is dat Tesla zijn Robotaxi nog niet op de markt heeft gebracht. Bovendien ligt de focus van Tesla op kostenminimalisatie en innovatie. Tesla gelooft dat het gebruik van lidars onpraktisch is vanwege de hoge kosten: de productiekosten van een RGB-camera zijn ongeveer $3, terwijl een lidar $400 of meer kan kosten. Bovendien bevatten lidars mechanische onderdelen — roterende spiegels en motoren — wat ze gevoeliger maakt voor storingen en vervanging.

Camera’s, daarentegen, zijn statisch. Ze hebben geen bewegende delen, zijn veel betrouwbaarder en kunnen decennialang functioneren totdat de behuizing verslechtert of de lens dof wordt. Bovendien zijn camera’s gemakkelijker te integreren in het ontwerp van een auto: ze kunnen in het lichaam worden verborgen en nagenoeg onzichtbaar gemaakt.

De productiebenaderingen verschillen ook aanzienlijk. Waymo gebruikt een bestaand platform — een productie-Jaguar — waarop sensoren worden gemonteerd. Ze hebben geen keuze. Tesla, aan de andere kant, produceert voertuigen van scratch en kan de integratie van sensoren in het lichaam van tevoren plannen, waardoor ze uit het zicht worden verborgen. Formeel worden ze in de specificaties vermeld, maar visueel zullen ze bijna onzichtbaar zijn.

Op dit moment gebruikt Tesla acht camera’s rondom de auto — aan de voorzijde, achterzijde, spiegels en deuren. Zullen ze extra sensoren gebruiken? Ik geloof van wel.

Op basis van mijn ervaring als Tesla-rijder die ook in Waymo-voertuigen heeft gereden, geloof ik dat het integreren van lidar de Full Self-Driving van Tesla zou kunnen verbeteren. Het lijkt me dat Tesla’s FSD op dit moment enige precisie mist bij het rijden. Het toevoegen van lidartechnologie zou de mogelijkheid van het systeem om moeilijke omstandigheden zoals significante zonneschijn, luchtstof of mist te navigeren, kunnen verbeteren. Deze verbetering zou het systeem potentieel veiliger en betrouwbaarder maken in vergelijking met het enkel vertrouwen op camera’s.

Maar vanuit het oogpunt van het bedrijf, wanneer een bedrijf zijn eigen technologie ontwikkelt, streeft het naar een concurrentievoordeel — een technologische voorsprong. Als het een oplossing kan creëren die aanzienlijk efficiënter en goedkoper is, opent het de deur naar marktdominantie.

Tesla volgt deze logica. Musk wil niet het pad van andere bedrijven zoals Volkswagen of Baidu volgen, die ook aanzienlijke vooruitgang hebben geboekt. Zelfs systemen zoals Mobileye en iSight, geïnstalleerd in oudere auto’s, tonen al een redelijke mate van autonomie.

Maar Tesla streeft ernaar uniek te zijn — en dat is bedrijfslogica. Als u niets radicaal beters biedt, zal de markt u niet kiezen.