Vägen framåt för autonoma fordonsadoption

Antagandet av autonoma fordon på global skala tar fart. Storbritannien har nyligen passerat Lagen om automatiska fordon för att etablera en säker integrering av helt och delvis autonoma fordon i samhället under de närmaste åren. Mer autonoma fordon testas just nu i Kina än någon annanstans i världen. Och i USA har stora storstadsområden anlitat användningen av "robotaxel" i sina kollektivtrafikmöjligheter. Företag gillar Kryssning, Waymo och naturligtvis, Tesla alla har miljarder dollar investerat i sina stora ambitioner att hysa självkörande bilar och tjänster från kust till kust och över hela världen. Vid denna tidpunkt är utvecklingen och implementeringen av autonom fordonsteknik inte längre en fråga om "om" eller egentligen ens "när", utan bara en fråga om "i vilken utsträckning"? Vad kan adoptionen av AI-drivna autonoma fordon i stor skala göra för att förbättra inte bara våra vägar utan vårt samhälle?

Automatisera trafiksäkerhet

Strävan efter autonoma fordon och de berg av kapital som investeras i dessa tekniker är ett tecken på det allmänt erkända allmännytta som utplaceringen av självkörande bilar kan ha. Till att börja med finns det säkerhetsstandarder för självkörande fordon framför mänskliga förare. En nyligen genomförd studie publicerad i Nature Communications och insikter från Teslas Konsekvensrapport för 2022 understryka den transformativa potentialen hos implementering av autonoma fordon för att förbättra trafiksäkerheten. AV:er har visat sig minska bakifrån, frontalkrockar och sidokollisioner, såväl som incidenter med att köra av vägen, med 20 % till 50 %. Med tanke på att Världshälsoorganisationen uppskattar det trafikskador är ansvariga för 1.35 miljoner människors död varje år över hela världen, skulle denna dramatiska förbättring av bilsäkerheten ha en seismisk effekt. Medan det fortfarande krävs mer teknisk förfining innan autonoma fordon presterar bättre än mänskliga förare under alla omständigheter (människodrivna bilar är fortfarande säkrare under förhållanden med dålig sikt och under svängar), kommer den fortsatta utvecklingen av sensorteknologier, prediktiva algoritmer och V2X-kommunikation att fortsätta att förbättras svar i dessa komplexa körscenarier och gör det möjligt för dem att skapa säkrare vägar.

AV-undvikande trafik

Dessutom kommer utplaceringen av autonoma fordon också att ha en betydande inverkan på frågan om trafikstockningar. I en studera utförs av Association for Commuter Transportation (ACT) och United States Department of Transportation (USDOT), "rush hour"-pendlingar – en gång en lämplig titel – utgör nu sex timmar om dagen och gör att resor under dessa förhöjda tider tar 40 % längre . En enskild inbromsning kan påverka trafiken över staden och utlösa en avmattning eller till och med fullständigt stopp. Med hjälp av sensorer och kameror som drivs av banbrytande mjukvara, dock autonoma fordon bromsa mycket mer sällan än sina mänskliga motsvarigheter och som ett resultat är de mycket mindre benägna att orsaka dessa trafikstörningar. Även utplacering av ett fåtal autonoma fordon kan ha en positiv effekt på trafikstockningar genom att hjälpa till dämpa hastigheten för de mänskliga förarna de delar vägen med.

Bränsleeffektivitet och hållbarhet

Autonoma fordon kan också förbättra bränsleeffektiviteten jämfört med mänskliga förare genom att kontrollera deras hastighet och acceleration och genom att färdas närmare varandra för att förbättra luftmotståndet och minska bränsleförbrukningen. Enligt MIT News, if alla fordon på vägen var autonoma, inte bara skulle reshastigheterna ökas med 20 %, utan vi skulle se bränsleförbrukningen minskas med 18 % och koldioxidutsläppen sänkas med 25 %. Denna utveckling skulle vara avgörande i våra fortsatta ansträngningar för att ge hållbarhet till ett otaligt antal industrier och företag. En studie av TuSimple visade att deras autonoma lastbilar var 11 % mer bränsleeffektiva än de som kördes av mänskliga förare. Denna ökade bränsleekonomi kommer att tillåta varor och tjänster att bli billigare för konsumenterna samtidigt som det hjälper dessa företag i deras ansträngningar att göra deras verksamhet grönare och mer hållbar.

En titt under huven

Nivån av tekniska framsteg som gör att dessa autonoma fordonssystem kan fungera har varit årtionden under utveckling. Matriser av sensorer, inklusive kameror, radar och LiDAR matar data till neurala nätverk som är utformade för att efterlikna den mänskliga hjärnan och utföra objektdetektering och bildsegmentering. Dessa neurala nätverk bearbetar sedan denna sensoriska input, inklusive närvaron av andra fordon, vägskyltar och hinder, för att skapa en heltäckande surroundkarta över fordonets miljö. Nästa steg är sedan rörelseplanering, där detaljerade rutter och banor beräknas med hjälp av en omfattande analys av all tidigare insamlad data. Även då behöver dessa processer fortfarande ta hänsyn till osynliga situationer och kunna anpassas i realtid till dessa omständigheter. På grund av det enorma antalet intrikata och detaljerade processer som går in i utvecklingen av dessa system och mjukvara, är inga två den andra lik och vart och ett av dessa AV-system har sina för- och nackdelar.

Gafflar I Vägen

De två primära tillvägagångssätten för utvecklingen av autonom körning är HD-kartor kontra HD-kartalösa system. Fördelen med att använda kartor ligger i dess förenklade objektdetektering och rörelseplanering, men dessa system är beroende av kontinuerlig kommunikation för datauppdateringar och är benägna att bli inaktuella. HD-kartalösa system, som det som utvecklats av mjukvaruföretaget för autonom körning Bild, förlitar sig nästan helt på realtidsdata och är mer i linje med hur mänskliga förare fungerar. De är också mer självförsörjande och mindre sårbara för cyberhot, men kräver avancerad inbyggd perceptionskapacitet och komplex realtidsbehandling. Efter denna inledande splittring i filosofin finns det flera andra som har stått i spetsen för en del debatt i branschen. Regelbaserad vs. Neural Nätverksbaserad rörelseplanering är en sådan problematik med säkerhets- och regleringsorgan som föredrar den mer definierbara "om-då"-metoden som är kännetecknet för regelbaserade system. Medan konstruktionen av fördefinierade scenarier erbjuder hög förklaringsbarhet, kämpar dessa system för att anpassa sig till nya, oförutsedda situationer, ett område där neurala nätverksbaserade system utmärker sig.

Vägen framför

Grunden fortsätter att läggas för att möjliggöra en utbredd användning av autonoma fordon över hela världen. Det finns verkligen ingen brist på biltillverkare och företag som är villiga att investera miljarder dollar i utvecklingen av autonoma fordon och tjänster centrerade kring dem. Även om det återstår många olika system och processer som ingår i skapandet av självkörande fordon, är alla experter i någon egenskap överens om den stora mängd praktiska fördelar som autonoma fordon och deras implementering kan ha för samhället. Nästa och kanske viktigaste hindret att rensa är att bygga upp allmänhetens förtroende för dessa tekniker. Framstegen för artificiell intelligens började också under ett moln av skepsis och misstro som måste övervinnas. Nu finns det inte en stor industri eller ett företag i världen som inte använder dessa teknologier i någon eller annan egenskap. Autonoma fordon kommer att ha en liknande backe att bestiga, men när dessa system avancerar och blir mer utbredda på våra vägar, kommer vår bekvämlighet och förtrogenhet med dem också bara att öka. Eftersom dessa teknologier avancerar i snabb takt, är AV-industrin längre på vägen mot global adoption än vad vissa kanske tror.