Reaalse maailma sõiduandmed pärinevad anduritelt ja salvestistest tegelikes liiklusoludes, samas kui simuleeritud sõiduandmed genereeritakse virtuaalsetes keskkondades, mis on loodud jäljendama teid, liiklust ja ääremaastikke. Mõlemad on autonoomsete sõidusüsteemide arendamiseks hädavajalikud, kuid erinevad realismi, skaleeritavuse, maksumuse ja haruldaste või ohtlike sõidustsenaariumide jäädvustamise ohutuse poolest.
Andmed, mis on kogutud reaalsetes liiklustingimustes liikuvatelt sõidukitelt selliste andurite nagu kaamerate, radari ja lidari abil.
Kunstlikult genereeritud sõiduandmed, mis luuakse virtuaalsetes keskkondades, mis jäljendavad teedevõrku ja liikluskäitumist.
| Funktsioon | Reaalse maailma sõiduandmed | Simuleeritud sõiduandmed |
|---|---|---|
| Andmeallikas | Päris sõidukid teedel | Virtuaalsed simulatsioonikeskkonnad |
| Sissenõudmise hind | Kõrged tegevuskulud | Madal piirkulu |
| Ohutus | Äärmuslikel juhtudel riskantne | Täiesti turvaline keskkond |
| Skaleeritavus | Piiratud laevastiku suuruse tõttu | Väga skaleeritav |
| Edge'i juhtumi katvus | Haruldased, kuid autentsed juhtumid | Lihtne nõudmisel genereerida |
| Realism | Tõeline keskkonna keerukus | Ligikaudne või modelleeritud realism |
| Märgistamise pingutus | Mahukas käsitsi/automatiseeritud märgistamine | Sageli automaatselt märgistatud või eelstruktureeritud |
| Arenduskiirus | Aeglasemad iteratsioonitsüklid | Kiire stsenaariumi iteratsioon |
Reaalse maailma sõiduandmed peegeldavad tegeliku liikluse täielikku keerukust, sealhulgas ettearvamatut inimkäitumist, ebatäiuslikke teeolusid ja andurite müra. See muudab need väga väärtuslikuks robustsete mudelite treenimiseks. Simuleeritud andmed, kuigi üha keerukamad, tuginevad siiski ligikaudsetele andmetele ja eeldustele, mis ei pruugi täielikult tabada reaalse keskkonna nüansse.
Reaalsete andmete kogumine seab sõidukid ja juhid potentsiaalselt ohtlikesse olukordadesse, eriti äärealade, näiteks jalakäijate ootamatute ülekäigukohtade või äärmuslike ilmastikutingimuste testimisel. Simulatsioon välistab selle riski täielikult, võimaldades arendajatel ohtlikke olukordi kontrollitud digitaalses keskkonnas taasluua, ilma kedagi ohtu seadmata.
Simuleeritud sõiduandmeid saab genereerida massiliselt ja suhteliselt väikeste kuludega, mis võimaldab kiiret katsetamist lugematutes stsenaariumides. Seevastu reaalse maailma andmete kogumine sõltub füüsilistest autoparkidest, geograafilisest ulatusest ja sõiduajast, mis piirab oluliselt andmekogumite kasvu kiirust.
Simulatsioon on suurepärane haruldaste või ohtlike stsenaariumide, näiteks mitme auto kokkupõrgete või ebatavaliste ilmastikutingimuste, loomisel nõudmisel. Reaalse maailma andmed võivad need juhtumid lõpuks tabada, kuid need on haruldased ja ettearvamatud, mistõttu on tasakaalustatud andmestike loomine raskem.
Ainult simulatsiooniandmetel treenitud mudelitel võib olla raskusi reaalsetele oludele üldistamisega nn reaalsuslünga tõttu. Mõlema andmetüübi kombineerimine loob aga sageli tugevamad süsteemid, kus simulatsioon õpetab laia käitumist ja reaalsed andmed peenhäälestavad jõudlust tegelike keskkondade jaoks.
Simuleeritud sõiduandmed on piisavalt head, et täielikult asendada reaalse maailma andmeid.
Kuigi simulatsioon on äärmiselt kasulik, ei suuda see täielikult korrata reaalse liikluse ettearvamatust ja keerukust. Reaalse maailma andmed on siiski vajalikud mudelite valideerimiseks ja peenhäälestamiseks reaalsetes keskkondades juurutamiseks.
Reaalse maailma andmed on alati väärtuslikumad kui simuleeritud andmed.
Reaalmaailma andmed on kriitilise tähtsusega, kuid simuleeritud andmetel on lünkade täitmisel võtmeroll, eriti haruldaste või ohtlike stsenaariumide korral. Parimad süsteemid kasutavad mõlemat, selle asemel et loota ainult ühele.
Simulatsioonikeskkonnad on identsed päris teedega.
Isegi täiustatud simulaatorid lihtsustavad reaalsuse paljusid aspekte, näiteks andurite müra, inimeste ettearvamatust ja keskkonna muutlikkust. Need erinevused võivad mudeli toimivust mõjutada, kui neid hoolikalt ei hallata.
Rohkem simuleeritud andmeid parandab automaatselt mudeli jõudlust.
Ainult kvantiteedist ei piisa. Halvasti kavandatud simulatsioonid võivad tekitada eelarvamusi või ebareaalseid mustreid, mis võivad mudeli üldistamist kahjustada, kui neid ei tasakaalustata reaalsete andmetega.
Reaalsete sõiduandmete kogumine on lihtne.
Praktikas nõuab see varustatud sõidukite parki, keerukaid andurite seadistusi, andmesalvestuskanaleid ja ulatuslikke märgistustöid, muutes selle autonoomse sõidu arendamise üheks ressursimahukamaks osaks.
Reaalse maailma sõiduandmed on realistlikkuse ja keerukuse poolest võrratud, mistõttu on need autonoomsete süsteemide valideerimiseks tegelikes tingimustes hädavajalikud. Simuleeritud andmed pakuvad aga kiirust, ohutust ja skaleeritavust, millega reaalse maailma andmete kogumine ei suuda võistelda. Kõige tõhusam lähenemisviis ühendab tavaliselt mõlemad, et tasakaalustada realismi ja tõhusust.
Autonoomne navigeerimine tugineb sõidukite liigutamiseks anduritele, tarkvarale ja tehisintellektile vähese või olematu inimese sekkumisega, samas kui inimese juhitav navigeerimine sõltub inimese otsustusvõimest, kogemustest ja otsustusprotsessist. Mõlemal lähenemisviisil on tugevused, kusjuures automatiseerimine pakub järjepidevust ja skaleeritavust, samas kui inimese juhendamine tagab kohanemisvõime ja kontekstuaalse mõistmise.
Autonoomse sõidu taju tugineb anduritele, algoritmidele ja reaalajas andmetöötlusele teekeskkonna tõlgendamisel, samas kui inimese sõiduintuitsioon sõltub kogemusest, tajust ja instinktiivsest otsustusprotsessist. Mõlema lähenemisviisi eesmärk on tagada ohutu ja tõhus reisimine, kuid need erinevad põhimõtteliselt selle poolest, kuidas nad tõlgendavad ebakindlust, reageerivad ootamatutele olukordadele ja kohanevad keerukate liiklusoludega.
Automaastik nihkub traditsioonilisest käsitsi juhtimisest keeruka tarkvarapõhise liikuvuse poole. Kuigi inimeste juhitavad autod pakuvad tuttavat juhtimist ja kohanemisvõimet kaootiliste keskkondadega, lubavad autonoomsed sõidukid kõrvaldada õnnetuste peamise põhjuse – inimliku vea. See võrdlus uurib, kuidas tehnoloogia annab uue tähenduse ohutusele, tõhususele ja punktist A punkti B reisimise põhikogemusele.
Autonoomsete sõidukite ohutussüsteemide ja inimjuhtide ohutussüsteemide eesmärk on vähendada õnnetusi, kuid nad lähenevad probleemile erinevalt. Autonoomsed süsteemid tuginevad anduritele, tarkvarale ja pidevale jälgimisele, samas kui inimkeskne ohutus sõltub juhi teadlikkusest, otsustusvõimest, koolitusest ja abitehnoloogiatest, mis on loodud inimliku otsustusprotsessi toetamiseks, mitte asendamiseks.
Autode omamisest sõltuvus kirjeldab linnasüsteeme, mis on üles ehitatud erasõidukite ümber ning vajavad igapäevaste vajaduste rahuldamiseks infrastruktuuri ja pikamaareise. Jalakäijatesõbraliku linna kujundamisel seatakse esikohale kompaktsed planeeringud, segakasutusega linnaosad ja jalakäijasõbralik infrastruktuur. Mõlemad lähenemisviisid kujundavad liikuvust, elukallidust, keskkonnamõju ja elustiilivalikuid tänapäevastes linnaarengu mudelites põhimõtteliselt erinevalt.
