Valg av øynene til det autonome kjøretøyet: En kamp mellom sensorer, strategier og kompromisser

Etter 2030 forventes markedet for autonome kjøretøy å overstige 2,2 billioner dollar, med millioner av biler som navigerer på veier med hjelp av AI og avanserte sensorsystemer. Likevel, midt i denne raske veksten, er det fortsatt en grunnleggende debatt som ikke er løst: hvilke sensorer er best egnet for autonom kjøring — lidar, kamera, radar eller noe helt nytt?

Dette spørsmålet er langt fra akademisk. Valget av sensorer påvirker alt fra sikkerhet og ytelse til kostnad og energieffektivitet. Noen selskaper, som Waymo, satser på redundans og variasjon, og utstyrer sine kjøretøy med en fullstendig samling av lidar, kamera og radar. Andre, som Tesla, følger en mer minimalistisk og kostnadseffektiv tilnærming, og baserer seg tungt på kamera og programvareinnovasjon.

La oss utforske disse skillelige strategiene, de tekniske paradoksene de møter, og den forretningslogikken som driver deres beslutninger.

Hvorfor smartere maskiner krever smartere energiløsninger

Dette er faktisk et viktig problem. Jeg møtte en lignende dilemma da jeg startet et drone-relatert startup i 2013. Vi prøvde å lage droner som kunne spore menneskelig bevegelse. På den tiden var ideen fremtidsrettet, men det ble snart klart at det var et teknisk paradoks.

For at en drone skal kunne spore et objekt, må den analysere sensordata, som krever beregningskraft — en omborddatamaskin. Imidlertid, jo kraftigere datamaskinen må være, jo høyere energiforbruk. Derfor er det nødvendig med en batteri med større kapasitet. Imidlertid øker en større batteri vekten på dronen, og mer vekt krever enda mer energi. En ond sirkel oppstår: økende kraftbehov fører til høyere energiforbruk, vekt og til slutt, kostnad.

Samme problem gjelder for autonome kjøretøy. På den ene siden, ønsker du å utstyre kjøretøyet med alle mulige sensorer for å samle inn så mye data som mulig, synkronisere det og ta de mest nøyaktige beslutningene. På den andre siden, øker dette betydelig systemets kostnad og energiforbruk. Det er viktig å vurdere ikke bare kostnaden av sensorerne selv, men også energien som kreves for å prosessere deres data.

Mengden data øker, og beregningsbelastningen vokser. Selvfølgelig, over tid, har beregningsystemer blitt mer kompakte og energieffektive, og programvaren har blitt mer optimalisert. På 1980-tallet kunne prosessering av et 10×10 piksler bilde ta timer; i dag analyserer systemer 4K-video i sanntid og utfører ytterligere beregninger på enheten uten å forbruke unødvendig mye energi. Likevel, ytelsesdilemmaet består fortsatt, og AV-selskaper forbedrer ikke bare sensorer, men også beregningsmaskiner og optimaliseringsalgoritmer.

Beregnings- eller persepsjon?

Ytelsesproblemer hvor systemet må bestemme hvilke data som skal droppes, skyldes primært beregningsbegrensninger og ikke problemer med LiDAR, kamera eller radarsensorer. Disse sensorerne fungerer som kjøretøyets øyne og ører, og samler kontinuerlig inn store mengder miljødata. Imidlertid, hvis den ombord-beregnings-“hjernen” mangler beregningskraften til å håndtere all denne informasjonen i sanntid, blir det overveldende. Som følge, må systemet prioritere visse datastrømmer over andre, potensielt ignorere noen objekter eller scener i bestemte situasjoner for å fokusere på høyere-prioriterte oppgaver.

Dette beregningsflaskehalsen betyr at selv om sensorerne fungerer perfekt, og ofte har redundanser for å sikre pålitelighet, kan kjøretøyet likevel slite med å prosessere all data effektivt. Å skyld på sensorerne er ikke passende i denne sammenhengen, fordi problemet ligger i dataprosseseringskapasiteten. Forbedring av beregningsmaskiner og optimalisering av algoritmer er essensielle skritt for å mildne disse utfordringene. Ved å forbedre systemets evne til å håndtere store datamengder, kan autonome kjøretøy redusere sannsynligheten for å gå glipp av kritisk informasjon, og føre til sikrere og mer pålitelige operasjoner.

Lidar, kamera og radarsystemer: Fordeler og ulemper

Det er umulig å si at en type sensor er bedre enn en annen — hver har sin egen oppgave. Problemer løses ved å velge den riktige sensoren for en bestemt oppgave.

LiDAR, selv om det tilbyr nøyaktig 3D-kartlegging, er dyrt og sliter i dårlig vær, som regn og tåke, som kan spre laserstrålene. Det krever også betydelig beregningskraft for å prosessere dens tetthetsdata.

Kamera, selv om de er kostnadseffektive, er sterkt avhengige av lysforhold, og fungerer dårlig i lavt lys, glør eller raske lysendringer. De mangler også innebygd dybdepersepsjon og sliter med hindringer som smuss, regn eller snø på linser.

Radar er pålitelig i å detektere objekter i forskjellige værforhold, men dens lave oppløsning gjør det vanskelig å skille mellom små eller tett plasserte objekter. Den genererer ofte falske positiver, som kan utløse unødvendige reaksjoner. I tillegg kan radar ikke tolke kontekst eller hjelpe med å identifisere objekter visuelt, i motsetning til kamera.

Ved å utnytte sensorfusjon — kombinere data fra LiDAR, radar og kamera — får disse systemene en mer helhetlig og nøyaktig forståelse av deres omgivelser, som igjen forbedrer både sikkerhet og sanntidsbeslutning. Keymakrs samarbeid med ledende ADAS-utviklere har vist hvor kritisk denne tilnærmingen er for systemets pålitelighet. Vi har konsekvent arbeidet med diverse, høykvalitetsdatasett for å støtte modelltrening og forbedring.

Waymo VS Tesla: En historie om to autonome visjoner

I AV, få sammenligninger utløser like mye debatt som Tesla og Waymo. Begge er pionerer i fremtiden for mobilitet — men med radikalt forskjellige filosofier. Hvorfor ser en Waymo-bil ut som et sensor-pakket romfartøy, mens Tesla ser nesten fri for eksterne sensorer?

La oss se på Waymo-kjøretøyet. Det er en basis-Jaguar modifisert for autonom kjøring. På taket er det dusinvis av sensorer: lidar, kamera, spinner-lasersystemer (såkalte “spinners”) og radar. Det er virkelig mange av dem: kamera i speilene, sensorer på front- og bakstøt, langdistanse-observasjonssystemer — alt dette er synkronisert.

Hvis et slikt kjøretøy havner i en ulykke, legger ingeniørteamet til nye sensorer for å samle inn manglende informasjon. Deres tilnærming er å bruke det maksimale antallet tilgjengelige teknologier.

Hvorfor følger ikke Tesla samme vei? En av hovedgrunnene er at Tesla ennå ikke har lansert sin Robotaxi på markedet. Deres tilnærming fokuserer på kostnadsminimering og innovasjon. Tesla mener at å bruke lidar er upraktisk på grunn av deres høye kostnad: produksjonskostnaden for et RGB-kamera er omtrent 3 dollar, mens en lidar kan koste 400 dollar eller mer. I tillegg inneholder lidar mekaniske deler — roterende speil og motorer — som gjør dem mer utsatt for feil og erstattning.

Kamera, på den andre siden, er statiske. De har ingen bevegelige deler, er mye mer pålitelige og kan fungere i tiår før huset forringes eller linser tåkes. I tillegg er kamera lettere å integrere i bilens design: de kan skjules inne i karosseriet og gjøres nesten usynlige.

Produksjonsmetodene skiller seg også betydelig. Waymo bruker en eksisterende plattform — en produksjons-Jaguar — som sensorer monteres på. De har ikke noe valg. Tesla, på den andre siden, produserer kjøretøy fra scratch og kan planlegge sensorintegrering i karosseriet fra starten av, og skjule dem fra synet. Formelt, de vil være oppført i spesifikasjonene, men visuelt, de vil være nesten usynlige.

For tiden bruker Tesla åtte kamera rundt bilen — foran, bak, sidespeil og dører. Vil de bruke flere sensorer? Jeg tror det.

Basert på min erfaring som Tesla-sjåfør som også har kjørt i Waymo-kjøretøy, tror jeg at å inkludere lidar ville forbedre Teslas Full Self-Driving-system. Det føles for meg at Teslas FSD mangler en viss nøyaktighet når det kjøres. Å legge til lidar-teknologi kunne forbedre dens evne til å navigere i utfordrende forhold som betydelig solglør, luftbåren støv eller tåke. Denne forbedringen ville potensielt gjøre systemet tryggere og mer pålitelig enn å basere seg kun på kamera.

Men fra et forretningsperspektiv, når et selskap utvikler sin egen teknologi, søker det etter en konkurransefordel — en teknologisk fordel. Hvis det kan skape en løsning som er dramatisk mer effektiv og billigere, åpner det døren til markedets dominans.

Tesla følger denne logikken. Musk ønsker ikke å følge samme vei som andre selskaper som Volkswagen eller Baidu, som også har gjort betydelig fremgang. Even systems like Mobileye and iSight, installed in older cars, already demonstrate decent autonomy.

Men Tesla har som mål å være unik — og det er forretningslogikk. Hvis du ikke tilbyr noe radikalt bedre, vil markedet ikke velge deg.