Wybór oczu pojazdu autonomicznego: bitwa czujników, strategii i kompromisów

Do 2030 roku rynek pojazdów autonomicznych ma przekroczyć 2,2 biliona dolarów, z milionami samochodów poruszających się po drogach za pomocą sztucznej inteligencji i zaawansowanych systemów czujników. A jednak, pomimo tego szybkiego wzrostu, podstawowa debata pozostaje nierozstrzygnięta: które czujniki są najlepiej przystosowane do jazdy autonomicznej – lidary, kamery, radary, czy coś całkowicie nowego?

To pytanie jest dalekie od akademickiego. Wybór czujników wpływa na wszystko, od bezpieczeństwa i wydajności po koszt i efektywność energetyczną. Niektóre firmy, takie jak Waymo, stawiają na redundancję i różnorodność, wyposażając swoje pojazdy w pełny zestaw lidarów, kamer i radarów. Inne, takie jak Tesla, stosują bardziej minimalistyczne i ekonomiczne podejście, opierając się głównie na kamerach i innowacjach oprogramowania.

Zbadajmy te rozbieżne strategie, techniczne paradoksy, z którymi się mierzą, i logikę biznesową, która napędza ich decyzje.

Dlaczego inteligentniejsze maszyny wymagają inteligentniejszych rozwiązań energetycznych

To jest istotna kwestia. Zetknąłem się z podobnym dylematem, kiedy w 2013 roku uruchomiłem startup związany z dronami. Próbowałem stworzyć drony zdolne do śledzenia ruchu ludzi. W tym czasie pomysł był przedsiębiorczy, ale szybko stało się jasne, że istnieje techniczny paradoks.

Dla drona, aby śledzić obiekt, musi on analizować dane czujników, co wymaga mocy obliczeniowej – komputera na pokładzie. Im jednak bardziej wydajny komputer jest potrzebny, tym większe jest zużycie energii. W konsekwencji wymagana jest bateria o większej pojemności. Jednak większa bateria zwiększa wagę drona, a większa waga wymaga jeszcze więcej energii. Powstaje błędne koło: wzrost mocy prowadzi do wyższego zużycia energii, wagi i ostatecznie kosztu.

Ten sam problem dotyczy pojazdów autonomicznych. Z jednej strony, chcesz wyposażyć pojazd we wszystkie możliwe czujniki, aby zebrać jak najwięcej danych, zsynchronizować je i podjąć najbardziej precyzyjne decyzje. Z drugiej strony, to znacznie zwiększa koszt systemu i zużycie energii. Ważne jest, aby brać pod uwagę nie tylko koszt samych czujników, ale także energię potrzebną do przetworzenia ich danych.

Ilość danych rośnie, a obciążenie obliczeniowe wzrasta. Oczywiście, z czasem systemy obliczeniowe stały się bardziej kompaktowe i efektywne energetycznie, a oprogramowanie stało się bardziej zoptymalizowane. W latach 80. przetworzenie obrazu 10×10 pikseli mogło zająć godziny; dziś systemy analizują filmy 4K w czasie rzeczywistym i wykonują dodatkowe obliczenia na urządzeniu bez nadmiernego zużycia energii. Jednak paradoks wydajności nadal pozostaje, a firmy AV są nie tylko doskonaleniem czujników, ale także sprzętu obliczeniowego i algorytmów optymalizacji.

Przetwarzanie czy percepcja?

Problemy z wydajnością, gdzie system musi zdecydować, które dane mają pierwszeństwo, wynikają głównie z ograniczeń obliczeniowych, a nie z problemów z czujnikami LiDAR, kamerami lub radarami. Te czujniki działają jak oczy i uszy pojazdu, nieustannie rejestrując ogromne ilości danych środowiskowych. Jednak jeśli komputer na pokładzie nie ma wystarczającej mocy obliczeniowej, aby przetworzyć wszystkie te informacje w czasie rzeczywistym, staje się to przytłaczające. W efekcie system musi priorytetowo traktować niektóre strumienie danych nad innymi, potencjalnie ignorując niektóre obiekty lub sceny w określonych sytuacjach, aby skoncentrować się na zadaniach o wyższym priorytecie.

Ten wąski gardziel obliczeniowy oznacza, że nawet jeśli czujniki działają idealnie, a często mają redundancje, aby zapewnić niezawodność, pojazd może nadal mieć trudności z efektywnym przetwarzaniem danych. Nie można winąć czujników w tym kontekście, ponieważ problem leży w zdolności przetwarzania danych. Poprawa sprzętu obliczeniowego i optymalizacja algorytmów są niezbędne, aby złagodzić te wyzwania. Poprzez poprawę zdolności systemu do radzenia sobie z dużymi ilościami danych, pojazdy autonomiczne mogą zmniejszyć prawdopodobieństwo pominięcia krytycznych informacji, co prowadzi do bezpieczniejszych i bardziej niezawodnych operacji.

Lidar, kamera i radar: zalety i wady

Nie można powiedzieć, że jeden typ czujnika jest lepszy od innego – każdy służy swojemu celowi. Problemy są rozwiązywane przez wybór odpowiedniego czujnika do określonego zadania.

Lidar, oferując precyzyjne mapowanie 3D, jest drogi i ma trudności w niekorzystnych warunkach pogodowych, takich jak deszcz i mgła, które mogą rozpraszająć sygnały laserowe. Wymaga również znacznych zasobów obliczeniowych do przetworzenia gęstych danych.

Kamery, choć tanie, są silnie uzależnione od warunków oświetlenia, słabo radząc sobie w niskim świetle, olśnieniu lub szybkich zmianach oświetlenia. Brak im również wrodzonej percepcji głębi i mają trudności z przeszkodami, takimi jak brud, deszcz lub śnieg na obiektywie.

Radar jest niezawodny w wykrywaniu obiektów w różnych warunkach pogodowych, ale jego niska rozdzielczość utrudnia rozróżnienie między małymi lub zbliżonymi obiektami. Często generuje fałszywe pozytywy, wykrywając nieistotne przedmioty, które mogą wywołać niepotrzebne reakcje. Ponadto radar nie może rozpoznać kontekstu ani pomóc w identyfikacji obiektów wizualnie, w przeciwieństwie do kamer.

Poprzez wykorzystanie fuzji czujników – łączenie danych z lidarów, radarów i kamer – te systemy uzyskują bardziej całościowe i dokładne zrozumienie swojego otoczenia, co z kolei poprawia bezpieczeństwo i podejmowanie decyzji w czasie rzeczywistym. Keymakr współpracuje z wiodącymi deweloperami ADAS, pokazując, jak krytyczne jest to podejście dla niezawodności systemu. Nieustannie pracujemy nad różnorodnymi, wysokiej jakości zestawami danych, aby wspierać szkolenie i udoskonalanie modeli.

Waymo kontra Tesla: opowieść o dwóch wizjach autonomicznych

W AV, niewiele porównań wywołuje tyle debaty, co Tesla i Waymo. Obie są pionierami przyszłości mobilności – ale z radykalnie różnymi filozofiami. Dlaczego więc samochód Waymo wygląda jak statek kosmiczny wypełniony czujnikami, a Tesla wygląda niemal pozbawiona zewnętrznych czujników?

Zobaczmy samochód Waymo. To modyfikowany Jaguar przeznaczony do jazdy autonomicznej. Na jego dachu znajdują się dziesiątki czujników: lidary, kamery, wirujące systemy laserowe (tzw. “spinners”) i radary. Są one naprawdę liczne: kamery w lusterkach, czujniki na przednim i tylnim zderzaku, systemy widzenia na daleką odległość – wszystko to jest zsynchronizowane.

Jeśli taki pojazd ulegnie wypadkowi, zespół inżynierów dodaje nowe czujniki, aby zgromadzić brakujące informacje. Ich podejście polega na wykorzystaniu maksymalnej liczby dostępnych technologii.

Dlaczego Tesla nie podąża tą samą ścieżką? Jednym z głównych powodów jest to, że Tesla jeszcze nie wydała swojego Robotaxi na rynek. Ich podejście koncentruje się na minimalizacji kosztów i innowacjach. Tesla uważa, że korzystanie z lidarów jest niepraktyczne ze względu na ich wysoki koszt: koszt produkcji kamery RGB wynosi około 3 dolarów, podczas gdy lidar może kosztować 400 dolarów lub więcej. Ponadto lidary zawierają części mechaniczne – wirujące lusterka i silniki – co sprawia, że są bardziej narażone na awarie i wymianę.

Kamery, z drugiej strony, są statyczne. Nie mają ruchomych części, są znacznie bardziej niezawodne i mogą funkcjonować przez dziesięciolecia, aż do momentu, gdy obudowa ulegnie degradacji lub soczewka się zatrze. Ponadto kamery są łatwiejsze do integracji z projektem samochodu: mogą być ukryte wewnątrz nadwozia, stając się niemal niewidoczne.

Podejścia produkcyjne również znacznie się różnią. Waymo wykorzystuje istniejącą platformę – produkowany Jaguar – na którym montowane są czujniki. Nie mają wyboru. Tesla, z drugiej strony, produkuje pojazdy od podstaw i może zaplanować integrację czujników z nadwoziem od samego początku, ukrywając je z widoku. Formalnie będą one wymienione w specyfikacjach, ale wizualnie będą niemal niewidoczne.

Obecnie Tesla wykorzystuje osiem kamer wokół samochodu – z przodu, z tyłu, w lusterkach i drzwiach. Czy będą używać dodatkowych czujników? Uważam, że tak.

Na podstawie mojego doświadczenia jako kierowcy Tesli, który również jeździł pojazdami Waymo, uważam, że zintegrowanie lidarów poprawiłoby system jazdy autonomicznej Tesli. Wydaje mi się, że FSD Tesli obecnie brakuje pewnej dokładności podczas jazdy. Dodanie technologii lidarowej mogłoby poprawić jego zdolność do nawigowania w trudnych warunkach, takich jak silne światło słoneczne, unoszący się pył lub mgła. To poprawienie mogłoby uczynić system bezpieczniejszym i bardziej niezawodnym w porównaniu z poleganiem wyłącznie na kamerach.

Ale z punktu widzenia biznesu, kiedy firma rozwija własną technologię, dąży do uzyskania przewagi konkurencyjnej – technologicznej przewagi. Jeśli może stworzyć rozwiązanie, które jest dramatycznie bardziej efektywne i tanie, otwiera drzwi do dominacji na rynku.

Tesla podąża tą logiką. Musk nie chce iść drogą innych firm, takich jak Volkswagen lub Baidu, które również dokonały znaczących postępów. Nawet systemy takie jak Mobileye i iSight, zainstalowane w starszych samochodach, już teraz demonstrują przyzwoitą autonomię.

Ale Tesla dąży do bycia wyjątkową – i to jest logika biznesowa. Jeśli nie oferujesz czegoś radykalnie lepszego, rynek nie wybierze ciebie.