دادههای رانندگی در دنیای واقعی از حسگرها و ضبطها در شرایط ترافیکی واقعی حاصل میشوند، در حالی که دادههای رانندگی شبیهسازی شده در محیطهای مجازی طراحی شده برای تقلید از جادهها، ترافیک و موارد خاص تولید میشوند. هر دو برای توسعه سیستمهای رانندگی خودکار ضروری هستند، اما از نظر واقعگرایی، مقیاسپذیری، هزینه و میزان ایمن بودن آنها در ثبت سناریوهای رانندگی نادر یا خطرناک متفاوت هستند.
دادههای جمعآوریشده از وسایل نقلیه در شرایط ترافیکی واقعی با استفاده از حسگرهایی مانند دوربین، رادار و لیدار.
دادههای رانندگی تولید شده به صورت مصنوعی در محیطهای مجازی که شبکههای جادهای و رفتار ترافیکی را شبیهسازی میکنند.
| ویژگی | دادههای رانندگی در دنیای واقعی | دادههای رانندگی شبیهسازیشده |
|---|---|---|
| منبع داده | وسایل نقلیه واقعی در جادهها | محیطهای شبیهسازی مجازی |
| هزینه وصول | هزینه عملیاتی بالا | هزینه نهایی پایین |
| ایمنی | در موارد خاص ریسکپذیر است | محیطی کاملا امن |
| مقیاسپذیری | محدود به اندازه ناوگان | بسیار مقیاسپذیر |
| پوشش لبه کیس | اتفاقات نادر اما واقعی | به راحتی بر اساس تقاضا تولید میشود |
| واقعگرایی | پیچیدگی واقعی محیط | واقعگرایی تقریبی یا مدلسازیشده |
| تلاش برای برچسبگذاری | برچسبگذاری دستی/خودکار سنگین | اغلب به صورت خودکار برچسبگذاری شده یا از پیش ساختار یافته است |
| سرعت توسعه | چرخههای تکرار کندتر | تکرار سریع سناریو |
دادههای رانندگی در دنیای واقعی، پیچیدگی کامل ترافیک واقعی، از جمله رفتار غیرقابل پیشبینی انسان، شرایط ناقص جاده و نویز حسگر را منعکس میکنند. این امر، آنها را برای آموزش مدلهای قوی بسیار ارزشمند میکند. دادههای شبیهسازی شده، اگرچه به طور فزایندهای پیچیده هستند، اما هنوز به تقریبها و فرضیاتی متکی هستند که ممکن است به طور کامل ظرافتهای محیطهای واقعی را در بر نگیرند.
جمعآوری دادههای دنیای واقعی، وسایل نقلیه و رانندگان را در معرض سناریوهای بالقوه خطرناک قرار میدهد، به خصوص هنگام آزمایش موارد خاص مانند عبور ناگهانی عابر پیاده یا آب و هوای بسیار بد. شبیهسازی با فراهم کردن امکان بازسازی موقعیتهای خطرناک در یک محیط دیجیتال کنترلشده بدون به خطر انداختن کسی، این خطر را به طور کامل از بین میبرد.
دادههای شبیهسازیشده رانندگی را میتوان در مقیاس وسیع و با هزینه نسبتاً کم تولید کرد و آزمایش سریع در سناریوهای بیشماری را امکانپذیر ساخت. در مقابل، جمعآوری دادههای دنیای واقعی به ناوگان فیزیکی، پوشش جغرافیایی و زمان رانندگی بستگی دارد که به طور قابل توجهی سرعت رشد مجموعه دادهها را محدود میکند.
شبیهسازی در تولید سناریوهای نادر یا خطرناک بر اساس تقاضا، مانند برخورد چند خودرو یا شرایط آب و هوایی غیرمعمول، عالی عمل میکند. دادههای دنیای واقعی ممکن است در نهایت این موارد را ثبت کنند، اما آنها نادر و غیرقابل پیشبینی هستند و ایجاد مجموعه دادههای متعادل را دشوارتر میکنند.
مدلهایی که فقط بر اساس دادههای شبیهسازی آموزش دیدهاند، ممکن است به دلیل «شکاف واقعیت» در تعمیم به شرایط دنیای واقعی با مشکل مواجه شوند. با این حال، ترکیب هر دو نوع داده اغلب سیستمهای قویتری ایجاد میکند، جایی که شبیهسازی رفتارهای کلی را آموزش میدهد و دادههای دنیای واقعی عملکرد را برای محیطهای واقعی تنظیم میکند.
دادههای شبیهسازیشدهی رانندگی به اندازهی کافی خوب هستند تا بتوانند بهطور کامل جایگزین دادههای دنیای واقعی شوند.
اگرچه شبیهسازی بسیار مفید است، اما نمیتواند غیرقابلپیشبینی بودن و پیچیدگی ترافیک واقعی را بهطور کامل شبیهسازی کند. دادههای دنیای واقعی هنوز برای اعتبارسنجی و تنظیم دقیق مدلها برای استقرار در محیطهای واقعی ضروری هستند.
دادههای دنیای واقعی همیشه ارزشمندتر از دادههای شبیهسازی شده هستند.
دادههای دنیای واقعی بسیار مهم هستند، اما دادههای شبیهسازی شده نقش کلیدی در پر کردن شکافها، به ویژه برای سناریوهای نادر یا خطرناک، ایفا میکنند. بهترین سیستمها به جای تکیه انحصاری بر یکی، از هر دو استفاده میکنند.
محیطهای شبیهسازی کاملاً مشابه جادههای واقعی هستند.
حتی شبیهسازهای پیشرفته نیز بسیاری از جنبههای واقعیت، مانند نویز حسگر، غیرقابلپیشبینی بودن انسان و تغییرپذیری محیطی را سادهسازی میکنند. این تفاوتها در صورت عدم مدیریت دقیق میتوانند بر عملکرد مدل تأثیر بگذارند.
دادههای شبیهسازیشده بیشتر، بهطور خودکار عملکرد مدل را بهبود میبخشند.
کمیت به تنهایی کافی نیست. شبیهسازیهای ضعیف میتوانند منجر به سوگیری یا الگوهای غیرواقعی شوند که در صورت عدم تعادل با دادههای دنیای واقعی، ممکن است به تعمیمپذیری مدل آسیب برسانند.
جمعآوری دادههای رانندگی در دنیای واقعی ساده است.
در عمل، این امر به ناوگانی از وسایل نقلیه مجهز، تنظیمات پیچیده حسگر، خطوط لوله ذخیرهسازی دادهها و تلاشهای گسترده برای برچسبگذاری نیاز دارد که آن را به یکی از بخشهای بسیار پرمصرف در توسعه رانندگی خودکار تبدیل میکند.
دادههای رانندگی در دنیای واقعی از نظر واقعگرایی و پیچیدگی بینظیر هستند و همین امر، اعتبارسنجی سیستمهای خودران در شرایط واقعی را ضروری میکند. با این حال، دادههای شبیهسازیشده سرعت، ایمنی و مقیاسپذیری را فراهم میکنند که جمعآوری دادههای دنیای واقعی نمیتواند با آن برابری کند. مؤثرترین رویکرد معمولاً هر دو را با هم ترکیب میکند تا واقعگرایی را با کارایی متعادل کند.
آموزش شبیهسازی و آزمایش جادهای در دنیای واقعی نقشهای مکملی در توسعه خودروهای خودران ایفا میکنند. شبیهسازی امکان آزمایش سریع و مقیاسپذیر میلیونها سناریو را با هزینه کم فراهم میکند، در حالی که آزمایش جادهای، خودروها را در معرض شرایط غیرقابل پیشبینی قرار میدهد و تأیید میکند که آیا عملکرد مجازی به رفتار ایمن در خیابانهای واقعی تبدیل میشود یا خیر.
اتوماسیون رانندگی شهری و اتوماسیون رانندگی بزرگراه دو چالش متمایز در حمل و نقل خودران هستند. سیستمهای شهری باید از ترافیک متراکم، عابران پیاده و تقاطعهای پیچیده عبور کنند، در حالی که سیستمهای بزرگراه در محیطهای ساختاریافتهتر با سرعت بالاتر اما تعاملات غیرقابل پیشبینی کمتر عمل میکنند. هر کدام به فناوریها، استراتژیهای ایمنی و سطوح پیچیدگی تصمیمگیری متفاوتی نیاز دارند.
در حالی که اجاره خودرو به روش سنتی، قابلیت اطمینان ناوگان شرکتی استاندارد و پیشخوانهای حرفهای را ارائه میدهد، اشتراکگذاری خودرو به صورت همتا به همتا با فراهم کردن امکان رزرو خودروهای منحصر به فرد و شخصی مستقیماً از افراد محلی، این صنعت را متحول کرده است. انتخاب بین آنها اغلب به این بستگی دارد که آیا شما به دنبال یک سرویس قابل پیشبینی و با حجم بالا هستید یا یک تجربه شخصیتر، متنوعتر و اغلب مبتنی بر جامعه.
درک رانندگی خودران برای تفسیر محیط جاده به حسگرها، الگوریتمها و پردازش دادههای بلادرنگ متکی است، در حالی که شهود رانندگی انسان به تجربه، ادراک و تصمیمگیری غریزی بستگی دارد. هر دو رویکرد با هدف تضمین سفری ایمن و کارآمد هستند، اما اساساً در نحوه تفسیر عدم قطعیت، واکنش به موقعیتهای غیرمنتظره و سازگاری با محیطهای پیچیده ترافیکی متفاوتند.
تصمیمگیری بین یک اپلیکیشن اشتراکگذاری خودرو و یک تاکسی کلاسیک اغلب به انتخاب بین راحتی دیجیتال و قابلیت اطمینان تنظیمشده بستگی دارد. در حالی که اشتراکگذاری خودرو، ادغام یکپارچه اپلیکیشن و قیمتگذاری اولیه را ارائه میدهد، تاکسیهای سنتی با رانندگان حرفهای و امکان درخواست خودرو مستقیماً از کنار خیابان، جایگزین قابل اعتمادی ارائه میدهند.
