Вибір очей автономного транспортного засобу: битва сенсорів, стратегій та компромісів

До 2030 року ринок автономних транспортних засобів, як очікується, перевищить 2,2 трильйона доларів, з мільйонами автомобілів, які рухаються по дорогах за допомогою штучного інтелекту та передових сенсорних систем. Однак серед цього швидкого зростання залишається нерозв’язаним фундаментальне питання: які сенсори найкраще підходять для автономного руху — лідари, камери, радари чи щось зовсім нове?

Це питання далеко не академічне. Вибір сенсорів впливає на все, від безпеки та продуктивності до вартості та енергоефективності. Деякі компанії, як Waymo, роблять ставку на надмірність і різноманітність, оснащуючи свої транспортні засоби повним набором лідарів, камер і радарів. Інші, як Tesla, переслідують більш мінімалістичний і економічний підхід, спираючись в основному на камери та інновації у сфері програмного забезпечення.

Давайте розглянемо ці розбіжні стратегії, технічні парадокси, з якими вони стикаються, та бізнес-логіку, яка керує їхніми рішеннями.

Чому розумніші машини вимагають розумніших енергетичних рішень

Це indeed важлива проблема. Я зіткнувся з подібною дилемою, коли запустив стартап, пов’язаний з безпілотними апаратами, у 2013 році. Ми намагалися створити безпілотні апарати, здатні відстежувати рух людини. На той час ця ідея була попередньою, але незабаром стало зрозуміло, що існує технічний парадокс.

Для того щоб безпілотний апарат міг відстежувати об’єкт, йому потрібно аналізувати дані сенсорів, що вимагає обчислювальної потужності — бортового комп’ютера. Однак, чим потужнішим需要 бути комп’ютер, тим вище енергоспоживання. Згодом, потрібна батарея з більшою ємністю. Однак, більша батарея збільшує вагу безпілотного апарату, а більша вага вимагає ще більше енергії. Виникає порочне коло: зростання потужності призводить до підвищення енергоспоживання, ваги та, врешті-решт, вартості.

Та сама проблема стосується автономних транспортних засобів. З одного боку, ви хочете оснастити транспортний засіб усіма можливими сенсорами, щоб зібрати якомога більше даних, синхронізувати їх та приймати найточніші рішення. З іншого боку, це суттєво збільшує вартість системи та енергоспоживання. Важливо враховувати не тільки вартість самих сенсорів, але й енергію, необхідну для обробки їхніх даних.

Кількість даних зростає, а обчислювальне навантаження збільшується. Натурально, що з часом обчислювальні системи стали більш компактними та енергоефективними, а програмне забезпечення стало більш оптимізованим. У 1980-х роках обробка зображення 10×10 пікселів могла зайняти години; сьогодні системи аналізують відео 4K в реальному часі та виконують додаткові обчислення на пристрої без надмірного енергоспоживання. Однак, парадокс продуктивності все ще залишається, і компанії, що займаються автономними транспортними засобами, покращують не тільки сенсори, але й апаратне забезпечення та алгоритми оптимізації.

Обробка чи сприйняття?

Проблеми з продуктивністю, коли система повинна вирішити, які дані відкинути, в основному викликані обчислювальними обмеженнями, а не проблемами з лідаром, камерою чи радаром. Ці сенсори функціонують як очі та вуха транспортного засобу, безперервно захоплюючи велику кількість даних про навколишнє середовище. Однак, якщо бортовий комп’ютерний “мозок” не має достатньої обчислювальної потужності для обробки всіх цих даних в реальному часі, це стає перевантаженням. В результаті система повинна пріоритезувати певні потоки даних над іншими, потенційно ігноруючи деякі об’єкти чи сцени в певних ситуаціях, щоб сконцентруватися на завданнях вищого пріоритету.

Це обчислювальне обмеження означає, що навіть якщо сенсори функціонують ідеально, а часто вони мають надмірність, щоб забезпечити надійність, транспортний засіб все одно може боротися з обробкою всіх даних ефективно. Не слід звинувачувати сенсори в цьому контексті, оскільки проблема лежить в обчислювальній потужності. Покращення апаратного забезпечення та оптимізація алгоритмів є важливими кроками для подолання цих проблем. Покращуючи здатність системи обробляти великі об’єми даних, автономні транспортні засоби можуть зменшити ймовірність пропуску критичної інформації, що призведе до безпечнішої та більш надійної роботи.

Лідар, камера та радарні системи: переваги та недоліки

Неможливо сказати, що один тип сенсора кращий за інший — кожен служить своїй меті. Проблеми вирішуються шляхом вибору відповідного сенсора для конкретного завдання.

Лідар, хоча й пропонує точне 3D-картування, є дорогим і має труднощі в несприятливих погодних умовах, таких як дощ чи туман, які можуть розсіювати його лазерні сигнали. Він також потребує значних обчислювальних ресурсів для обробки своїх густих даних.

Камери, хоча й економічні, сильно залежать від умов освітлення, працюють погано в умовах низького освітлення, блику чи швидких змін освітлення. Вони також не мають вбудованого сприйняття глибини та мають труднощі з перешкодами, такими як бруд, дощ чи сніг на об’єктиві.

Радар є надійним у виявленні об’єктів у різних погодних умовах, але його низька роздільна здатність робить його важким для розрізнення малих або тісно розташованих об’єктів. Він часто генерує хибні позитиви, виявляючи нерелевантні предмети, які можуть викликати непотрібні реакції. Крім того, радар не може розшифрувати контекст чи допомогти ідентифікувати об’єкти візуально, на відміну від камер.

Використовуючи сенсорну фузію — поєднання даних з лідара, радара та камер — ці системи отримують більш цілісне та точне розуміння свого оточення, що, в свою чергу, підвищує безпеку та прийняття рішень в реальному часі. Keymakr’ співпраця з провідними розробниками ADAS показала, наскільки критично цей підхід для надійності системи. Ми постійно працюємо з різноманітними високоякісними наборами даних для підтримки навчання моделей та їхнього доопрацювання.

Waymo проти Tesla: історія двох автономних видінь

У сфері автономних транспортних засобів мало порівнянь викликає таку ж суперечку, як Tesla та Waymo. Обидві компанії розширюють майбутнє мобільності — але з радикально різними філософіями. Тому чому автомобіль Waymo виглядає як сенсорно-завантажений космічний корабель, а Tesla майже позбавлений зовнішніх сенсорів?

Давайте розглянемо автомобіль Waymo. Це модифікований Jaguar для автономного руху. На його даху розташовані десятки сенсорів: лідари, камери, обертальні лазерні системи (так звані “обертальні”) та радари. Там справді багато з них: камери у дзеркалах, сенсори на передньому та задньому бамперах, системи довгої видимості — все це синхронізовано.

Якщо такий автомобіль потрапляє в аварію, інженерна команда додає нові сенсори, щоб зібрати відсутню інформацію. Їхній підхід полягає в тому, щоб використовувати максимальну кількість доступних технологій.

Чому ж Tesla не слідує тому ж шляху? Одним з основних причин є те, що Tesla ще не випустила свій Robotaxi на ринок. Також, їхній підхід зосереджений на мінімізації витрат та інноваціях. Tesla вважає, що використання лідарів є недоцільним через їх високу вартість: вартість виробництва RGB-камери становить близько 3 доларів, тоді як лідар може коштувати 400 доларів або більше. Крім того, лідари містять механічні частини — обертальні дзеркала та мотори — що робить їх більш схильними до виходу з ладу та заміни.

Камери, навпаки, є статичними. У них немає рухомих частин, вони значно більш надійні та можуть функціонувати протягом десятиліть, поки корпус не погіршиться чи об’єктив не потьмяніє. Крім того, камери легше інтегрувати в дизайн автомобіля: їх можна приховати всередині корпусу, зробити майже невидимими.

Підходи до виробництва також суттєво відрізняються. Waymo використовує існуючу платформу — серійний Jaguar — на яку встановлюються сенсори. У них немає вибору. Tesla, з іншого боку, виготовляє транспортні засоби з нуля та може планувати інтеграцію сенсорів у корпус з самого початку, ховаючи їх від виду. Формально, вони будуть перераховані в технічних характеристиках, але візуально вони будуть майже непомітними.

Наразі Tesla використовує вісім камер навколо автомобіля — спереду, ззаду, у бічних дзеркалах та дверях. Чи будуть вони використовувати додаткові сенсори? Я вважаю, так.

На основі свого досвіду як водія Tesla, який також їздив на автомобілях Waymo, я вважаю, що інтеграція лідара покращила б систему повного самокерування Tesla. Мені здається, що система FSD Tesla зараз не має деякої точності при русі. Додавання технології лідара могло б покращити її здатність орієнтуватися в складних умовах, таких як сильний сонячний блиск, повітряний пил чи туман. Це покращення могло б зробити систему безпечнішою та більш надійною порівняно з використанням лише камер.

Але з бізнес-перспективи, коли компанія розробляє свою власну технологію, вона прагне до конкурентної переваги — технологічного краху. Якщо вона може створити рішення, яке значно більш ефективне та дешевше, це відкриває двері до домінування на ринку.

Tesla слідує цій логіці. Маск не хоче йти шляхом інших компаній, як Volkswagen чи Baidu, які також зробили значний прогрес. Навіть системи, такі як Mobileye та iSight, встановлені в старих автомобілях, вже демонструють прийнятну автономність.

Але Tesla прагне бути унікальною — і це бізнес-логіка. Якщо ви не пропонуєте щось радикально краще, ринок не вибере вас.