Выбор глаз автономного транспортного средства: битва датчиков, стратегий и компромиссов

К 2030 году рынок автономных транспортных средств, как ожидается, превысит 2,2 триллиона долларов, с миллионами автомобилей, перемещающихся по дорогам с помощью ИИ и передовых систем датчиков. Однако, несмотря на этот быстрый рост, фундаментальный спор остается нерешенным: какие датчики лучше всего подходят для автономного вождения — лидары, камеры, радары или что-то совершенно новое?

Этот вопрос далеко не академический. Выбор датчиков влияет на все, от безопасности и производительности до стоимости и энергетической эффективности. Некоторые компании, такие как Waymo, ставят на избыточность и разнообразие, оснащая свои автомобили полным набором лидаров, камер и радаров. Другие, такие как Tesla, преследуют более минималистичный и экономически эффективный подход, сильно полагаясь на камеры и инновации в области программного обеспечения.

Давайте исследуем эти расходящиеся стратегии, технические парадоксы, с которыми они сталкиваются, и бизнес-логику, определяющую их решения.

Почему умные машины требуют умных энергетических решений

Это действительно важный вопрос. Я столкнулся с подобной дилеммой, когда запускал стартап, связанный с беспилотными летательными аппаратами, в 2013 году. Мы пытались создать беспилотники, способные отслеживать движение человека. В то время эта идея была впереди, но вскоре стало ясно, что существует технический парадокс.

Для того чтобы беспилотник мог отслеживать объект, он должен проанализировать данные с датчиков, что требует вычислительной мощности — бортового компьютера. Однако, чем более мощным должен быть компьютер, тем выше энергопотребление. Следовательно, необходима батарея с большей емкостью. Однако, более крупная батарея увеличивает вес беспилотника, и больший вес требует еще больше энергии. Возникает порочный круг: увеличение мощности приводит к повышению энергопотребления, веса и, в конечном итоге, стоимости.

Та же проблема возникает и с автономными транспортными средствами. С одной стороны, вы хотите оснастить автомобиль всеми возможными датчиками, чтобы собрать как можно больше данных, синхронизировать их и принимать наиболее точные решения. С другой стороны, это значительно увеличивает стоимость и энергопотребление системы. Важно учитывать не только стоимость самих датчиков, но и энергию, необходимую для обработки их данных.

Количество данных увеличивается, а вычислительная нагрузка растет. Конечно, со временем вычислительные системы стали более компактными и энергоэффективными, а программное обеспечение стало более оптимизированным. В 1980-х годах обработка изображения размером 10×10 пикселей могла занять несколько часов; сегодня системы анализируют видео в режиме реального времени и выполняют дополнительные вычисления на устройстве без чрезмерного энергопотребления. Однако, парадокс производительности все еще остается, и компании, занимающиеся автономными транспортными средствами, улучшают не только датчики, но и вычислительное оборудование и алгоритмы оптимизации.

Обработка или восприятие?

Проблемы с производительностью, когда система должна решить, какие данные отбросить, в основном связаны с ограничениями вычислительной мощности, а не с проблемами лидар-, камера- или радар-датчиков. Эти датчики функционируют как глаза и уши автомобиля, непрерывно захватывая огромные объемы данных окружающей среды. Однако, если бортовой компьютер не имеет достаточной вычислительной мощности, чтобы обработать все эти данные в режиме реального времени, это становится подавляющим. В результате система должна отдавать приоритет определенным потокам данных над другими, потенциально игнорируя некоторые объекты или сцены в определенных ситуациях, чтобы сосредоточиться на более высокоприоритетных задачах.

Этот вычислительный узкий место означает, что даже если датчики функционируют идеально, и часто они имеют избыточность, чтобы обеспечить надежность, автомобиль все равно может испытывать трудности с эффективной обработкой всех данных. Обвинять датчики в этом контексте неуместно, поскольку проблема заключается в способности системы обрабатывать большие объемы данных. Улучшение вычислительного оборудования и оптимизация алгоритмов являются важными шагами для смягчения этих проблем. Улучшая способность системы обрабатывать большие объемы данных, автономные транспортные средства могут снизить вероятность пропуска критической информации, что приведет к более безопасным и надежным операциям.

Лидар, камера и радарные системы: плюсы и минусы

Невозможно сказать, что один тип датчика лучше другого — каждый служит своей цели. Проблемы решаются путем выбора подходящего датчика для конкретной задачи.

Лидар, хотя и обеспечивает точное трехмерное картографирование, является дорогим и испытывает трудности в неблагоприятных погодных условиях, таких как дождь и туман, которые могут рассеивать его лазерные сигналы. Кроме того, для обработки его плотных данных требуется значительная вычислительная мощность.

Камеры, хотя и являются экономически эффективными, сильно зависят от условий освещения, работают плохо в условиях низкой освещенности, блика или быстрых изменений освещения. Они также лишены врожденного восприятия глубины и испытывают трудности с препятствиями, такими как грязь, дождь или снег на объективе.

Радар является надежным в обнаружении объектов в различных погодных условиях, но его низкое разрешение затрудняет различие между небольшими или близко расположенными объектами. Он часто генерирует ложные положительные сигналы, обнаруживая нерелевантные предметы, которые могут вызвать ненужные реакции. Кроме того, радар не может расшифровать контекст или помочь идентифицировать объекты визуально, в отличие от камер.

Используя слияние датчиков — объединение данных с лидара, радара и камер — эти системы получают более целостное и точное понимание своей среды, что, в свою очередь, повышает как безопасность, так и принятие решений в режиме реального времени. Keymakr сотрудничает с ведущими разработчиками систем помощи водителю (ADAS), что показало, насколько важен этот подход для надежности системы. Мы последовательно работали с разнообразными, высококачественными наборами данных для поддержки обучения и совершенствования моделей.

Waymo против Tesla: сказка о двух автономных видениях

В области автономных транспортных средств мало сравнений вызывает столько споров, как Tesla и Waymo. Обе компании являются пионерами в будущем мобильности — но с радикально разными философиями. Итак, почему автомобиль Waymo выглядит как космический корабль, заполненный датчиками, а Tesla кажется почти свободным от внешних датчиков?

Давайте посмотрим на автомобиль Waymo. Это базовый Jaguar, модифицированный для автономного вождения. На его крыше расположено десятки датчиков: лидары, камеры, вращающиеся лазерные системы (так называемые “спиннеры”) и радары. Там действительно много датчиков: камеры в зеркалах, датчики на переднем и заднем бамперах, системы дальнего обзора — все это синхронизировано.

Если такой автомобиль попадет в аварию, инженерная команда добавляет новые датчики, чтобы собрать недостающую информацию. Их подход заключается в использовании максимального количества доступных технологий.

Итак, почему Tesla не следует тому же пути? Одна из основных причин заключается в том, что Tesla еще не выпустила свой Robotaxi на рынок. Кроме того, их подход фокусируется на минимизации затрат и инновациях. Tesla считает, что использование лидаров нецелесообразно из-за их высокой стоимости: стоимость производства RGB-камеры составляет около 3 долларов, тогда как лидар может стоить 400 долларов или более. Кроме того, лидары содержат механические части — вращающиеся зеркала и двигатели — что делает их более склонными к отказам и замене.

Камеры, с другой стороны, являются статичными. У них нет движущихся частей, они намного более надежны и могут функционировать в течение десятилетий, пока корпус не разрушится или объектив не потускнеет. Кроме того, камеры легче интегрировать в дизайн автомобиля: их можно спрятать внутри кузова, сделать почти невидимыми.

Подходы к производству также различаются существенно. Waymo использует существующую платформу — производственный Jaguar — на которую устанавливаются датчики. У них нет выбора. Tesla, с другой стороны, производит автомобили с нуля и может планировать интеграцию датчиков в кузов с самого начала, скрывая их от виду. Формально, они будут указаны в спецификациях, но визуально они будут почти незаметными.

В настоящее время Tesla использует восемь камер вокруг автомобиля — в передней, задней, боковых зеркалах и дверях. Будут ли они использовать дополнительные датчики? Я считаю, что да.

Основываясь на моем опыте как водителя Tesla, который также ездил на автомобилях Waymo, я считаю, что включение лидара улучшит систему полного автономного вождения Tesla. Мне кажется, что текущая система FSD Tesla не хватает некоторой точности при движении. Добавление технологии лидара может повысить ее способность ориентироваться в сложных условиях, таких как сильный солнечный свет, воздушная пыль или туман. Это улучшение потенциально сделает систему более безопасной и надежной по сравнению с полным полаганием на камеры.

Но с точки зрения бизнеса, когда компания разрабатывает свою собственную технологию, она стремится к конкурентному преимуществу — технологическому преимуществу. Если она может создать решение, которое намного более эффективно и дешево, это открывает дверь к доминированию на рынке.

Tesla следует этой логике. Маск не хочет идти по пути других компаний, таких как Volkswagen или Baidu, которые также добились значительного прогресса. Даже системы, такие как Mobileye и iSight, установленные в старых автомобилях, уже демонстрируют приличную автономность.

Но Tesla стремится быть уникальной — и это бизнес-логика. Если вы не предлагаете что-то радикально лучше, рынок не выберет вас.