Valet av ögonen för det autonoma fordonet: En strid om sensorer, strategier och avvägningar

År 2030 förväntas den autonoma fordonsmarknaden överstiga 2,2 biljoner dollar, med miljontals bilar som navigerar på vägarna med hjälp av AI och avancerade sensorsystem. Men trots denna snabba tillväxt kvarstår en grundläggande debatt: vilka sensorer är bäst lämpade för autonom körning — lidar, kameror, radar eller något helt nytt?

Denna fråga är långt ifrån akademisk. Valet av sensorer påverkar allt från säkerhet och prestanda till kostnad och energieffektivitet. Vissa företag, som Waymo, satsar på redundans och variation, och utrustar sina fordon med en full uppsättning lidar, kameror och radar. Andra, som Tesla, följer en mer minimalistisk och kostnadseffektiv approach, och förlitar sig tungt på kameror och mjukvaruinnovation.

Låt oss undersöka dessa avvikande strategier, de tekniska paradoxer de står inför, och den affärslogik som driver deras beslut.

Varför smartare maskiner kräver smartare energilösningar

Detta är verkligen en viktig fråga. Jag stod inför ett liknande dilemma när jag lanserade ett drone-relaterat företag 2013. Vi försökte skapa droner som kunde spåra mänsklig rörelse. Vid den tiden var idén före sin tid, men det blev snart tydligt att det fanns en teknisk paradox.

För att en drönare ska kunna spåra ett föremål måste den analysera sensordata, vilket kräver beräkningskraft — en omborddator. Men ju kraftfullare datorn behöver vara, desto högre blir energiförbrukningen. Följaktligen behövs en batteri med större kapacitet. Men ett större batteri ökar drönarens vikt, och mer vikt kräver ännu mer energi. En ond cirkel uppstår: ökade effektbehov leder till högre energiförbrukning, vikt och slutligen kostnad.

Samma problem gäller för autonoma fordon. Å ena sidan vill du utrusta fordonet med alla möjliga sensorer för att samla in så mycket data som möjligt, synkronisera den och fatta de mest precisa besluten. Å andra sidan ökar detta avsevärt systemets kostnad och energiförbrukning. Det är viktigt att överväga inte bara kostnaden för sensorerna själva, utan också den energi som krävs för att bearbeta deras data.

Mängden data ökar, och beräkningsbördan växer. Naturligtvis har datorsystem blivit mer kompakta och energieffektiva över tiden, och mjukvaran har blivit mer optimerad. På 1980-talet kunde bearbetning av en 10×10-pixelbild ta flera timmar; idag analyserar system 4K-video i realtid och utför ytterligare beräkningar på enheten utan att förbruka för mycket energi. Men prestandaparadoxen kvarstår fortfarande, och AV-företag förbättrar inte bara sensorer, utan också beräkningshårdvara och optimeringsalgoritmer.

Bearbetning eller perception?

Prestandaproblemen, där systemet måste bestämma vilka data som ska tas bort, beror främst på beräkningsbegränsningar snarare än problem med LiDAR, kameror eller radarsensorer. Dessa sensorer fungerar som fordonets ögon och öron, och fångar kontinuerligt upp stora mängder miljödata. Men om den ombordplacerade datorn “hjärnan” saknar den bearbetningskraft som krävs för att hantera all denna information i realtid, blir det överväldigande. Som ett resultat måste systemet prioritera vissa dataströmmar över andra, potentiellt ignorera vissa föremål eller scener i specifika situationer för att fokusera på högprioriterade uppgifter.

Denna beräkningsbegränsning innebär att även om sensorerna fungerar perfekt, och ofta har redundanser för att säkerställa tillförlitlighet, kan fordonet fortfarande ha svårt att bearbeta all data effektivt. Att skylla sensorerna är inte lämpligt i detta sammanhang, eftersom problemet ligger i databearbetningsförmågan. Att förbättra beräkningshårdvaran och optimera algoritmer är viktiga steg för att mildra dessa utmaningar. Genom att förbättra systemets förmåga att hantera stora datamängder kan autonoma fordon minska risken för att missa kritisk information, vilket leder till säkrare och mer tillförlitliga operationer.

Lidar, kamera och radarsystem: Fördelar och nackdelar

Det är omöjligt att säga att en typ av sensor är bättre än en annan — var och en har sin egen uppgift. Problem löses genom att välja den lämpligaste sensorn för en specifik uppgift.

LiDAR erbjuder exakt 3D-kartläggning, men är dyr och har svårt i ogynnsamma väderförhållanden som regn och dimma, som kan sprida dess lasersignaler. Det kräver också betydande beräkningsresurser för att bearbeta dess täta data.

Kameror är kostnadseffektiva, men är starkt beroende av belysningsförhållanden, och fungerar dåligt i svagt ljus, bländande ljus eller snabba ljusförändringar. De saknar också medfödd djupperception och har svårt med hinder som smuts, regn eller snö på linsen.

Radar är tillförlitlig när det gäller att upptäcka föremål i olika väderförhållanden, men dess låga upplösning gör det svårt att skilja på små eller tätt placerade föremål. Den genererar ofta falska positiva signaler, som kan utlösa onödiga reaktioner. Dessutom kan radar inte tolka sammanhang eller hjälpa till att identifiera föremål visuellt, till skillnad från kameror.

Genom att utnyttja sensorfusion — kombinera data från LiDAR, radar och kameror — får systemen en mer holistisk och exakt förståelse av sin omgivning, vilket i sin tur förbättrar både säkerhet och realtidsbeslut. Keymakrs samarbete med ledande ADAS-utvecklare har visat hur viktigt detta tillvägagångssätt är för systemtillförlitlighet. Vi har konsekvent arbetat med många högkvalitativa dataset för att stödja modellträning och förfining.

Waymo VS Tesla: En berättelse om två autonoma visioner

Inom AV finns få jämförelser som väcker så mycket debatt som Tesla och Waymo. Båda är pionjärer inom mobilitetens framtid — men med radikalt olika filosofier. Varför ser en Waymo-bil ut som ett sensorpackat rymdskepp, medan Tesla nästan saknar yttre sensorer?

Låt oss titta på Waymo-fordonet. Det är en modifierad Jaguar för autonom körning. På taket finns dussintals sensorer: lidar, kameror, roterande lasersystem (så kallade “spinners”) och radar. Det finns verkligen många av dem: kameror i speglarna, sensorer på främre och bakre stötfångare, långväga visningssystem — allt detta är synkroniserat.

Om ett sådant fordon råkar ut för en olycka, lägger ingenjörsteamet till nya sensorer för att samla in den saknade informationen. Deras tillvägagångssätt är att använda det maximala antalet tillgängliga teknologier.

Varför följer Tesla inte samma väg? En av de främsta anledningarna är att Tesla ännu inte har släppt sin Robotaxi på marknaden. Dessutom fokuserar deras tillvägagångssätt på kostnadsminimering och innovation. Tesla anser att användning av lidar är opraktisk på grund av deras höga kostnad: tillverkningskostnaden för en RGB-kamera är cirka 3 dollar, medan en lidar kan kosta 400 dollar eller mer. Dessutom innehåller lidar mekaniska delar — roterande speglar och motorer — vilket gör dem mer benägna att misslyckas och behöva ersättas.

Kameror, å andra sidan, är statiska. De har inga rörliga delar, är mycket mer tillförlitliga och kan fungera i årtionden tills höljet försämras eller linsen mattas. Dessutom är kameror lättare att integrera i en bils design: de kan döljas i kroppen och göras nästan osynliga.

Tillverkningsmetoderna skiljer sig också avsevärt. Waymo använder en befintlig plattform — en produktions-Jaguar — på vilken sensorer monteras. De har inget val. Tesla, å andra sidan, tillverkar fordon från scratch och kan planera sensorintegration i kroppen från början, och dölja dem från synligt läge. Formellt kommer de att listas i specifikationerna, men visuellt kommer de att vara nästan osynliga.

För närvarande använder Tesla åtta kameror runt bilen — framtill, baktill, i sidospiegeln och dörrarna. Kommer de att använda fler sensorer? Jag tror det.

Baserat på min erfarenhet som Tesla-förare som också har åkt i Waymo-fordon, tror jag att tillägg av lidar skulle förbättra Teslas Full Self-Driving-system. Det känns för mig att Teslas FSD för närvarande saknar en viss noggrannhet när det gäller körning. Tillägg av lidarteknologi kunde förbättra dess förmåga att navigera i utmanande förhållanden som kraftig solglans, luftburna damm eller dimma. Denna förbättring skulle potentiellt göra systemet säkrare och mer tillförlitligt jämfört med att enbart förlita sig på kameror.

Men ur ett affärsperspektiv, när ett företag utvecklar sin egen teknik, siktar det på en konkurrensfördel — en teknisk fördel. Om det kan skapa en lösning som är dramatiskt mer effektiv och billigare, öppnar det dörren till marknadsdominans.

Tesla följer denna logik. Musk vill inte följa samma väg som andra företag som Volkswagen eller Baidu, som också har gjort betydande framsteg. Även system som Mobileye och iSight, installerade i äldre bilar, demonstrerar redan anständig autonomi.

Men Tesla strävar efter att vara unik — och det är affärslogik. Om du inte erbjuder något radikalt bättre, kommer marknaden inte att välja dig.