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.
محیطهای مجازی مورد استفاده برای آموزش و ارزیابی سیستمهای رانندگی خودکار قبل از استقرار در جادههای واقعی.
آزمایش فیزیکی وسایل نقلیه خودران در جادههای عمومی یا مسیرهای کنترلشده تحت شرایط رانندگی واقعی.
| ویژگی | آموزش شبیهسازی برای رانندگی خودکار | آزمایش جادهای در دنیای واقعی |
|---|---|---|
| محیط آزمایش | دنیای مجازی | جادهها و مسیرهای فیزیکی |
| هزینه | کمتر در هر سناریو | هزینههای عملیاتی بالاتر |
| مقیاسپذیری | بسیار بالا | محدود به اندازه ناوگان |
| ایمنی در طول آزمایش | بدون خطر عمومی مستقیم | نیازمند اقدامات ایمنی سختگیرانه |
| تکرارپذیری | تکرارپذیری بالا | تکثیر دقیق آن دشوار است |
| تست موارد حاشیهای | ایجاد آسان | نادر و مواجهه با آن دشوار است |
| واقعگرایی | بستگی به دقت شبیهساز دارد | واقعگرایی حداکثری |
| مقدار اعتبارسنجی | متمرکز بر توسعه | متمرکز بر استقرار |
شبیهسازی به طور چشمگیری توسعه را تسریع میکند زیرا مهندسان میتوانند هزاران سناریو را به طور همزمان اجرا کنند و تغییرات را تقریباً فوراً ارزیابی کنند. آزمایش در دنیای واقعی با سرعت رانندگی فیزیکی پیش میرود و در صورت نیاز به حجم زیادی از دادهها، آن را بسیار کندتر میکند.
یکی از بزرگترین نقاط قوت شبیهسازی، توانایی ایجاد موقعیتهای غیرمعمول مانند عبور ناگهانی عابر پیاده، آب و هوای نامساعد یا رفتار غیرمنتظره وسایل نقلیه است. در مقابل، آزمایش در دنیای واقعی ممکن است ماهها یا سالها طول بکشد تا رویدادهای مشابه به طور طبیعی رخ دهند.
آزمایش جاده، امکان مواجهه با الگوهای ترافیکی واقعی، زیرساختهای ناقص، نویز حسگرها و غیرقابلپیشبینی بودن انسان را فراهم میکند. شبیهسازها همچنان در حال بهبود هستند، اما حتی محیطهای دیجیتال پیشرفته نیز ممکن است عوامل ظریف دنیای واقعی که بر رفتار خودرو تأثیر میگذارند را از قلم بیندازند.
اجرای آزمونهای مجازی عموماً به منابع محاسباتی بیشتری نسبت به ناوگانهای بزرگ وسایل نقلیه و رانندگان ایمنی نیاز دارد. برنامههای دنیای واقعی شامل وسایل نقلیه، تعمیر و نگهداری، بیمه، نیروی انسانی، تدارکات و رعایت مقررات هستند که آنها را به طور قابل توجهی گرانتر میکند.
برنامههای مدرن خودروهای خودران به ندرت یک رویکرد را بر دیگری ترجیح میدهند. اکثر سازمانها از شبیهسازی برای توسعه در مقیاس بزرگ و تولید سناریو استفاده میکنند، سپس برای تأیید عملکرد ایمن سیستم در خارج از محیط مجازی، به آزمایش جادهای متکی هستند.
شبیهسازی میتواند کاملاً جایگزین آزمایش جادهای شود.
حتی شبیهسازهای بسیار واقعگرایانه هم نمیتوانند تمام متغیرهای محیطی یا رفتار انسان را به طور کامل بازتولید کنند. اعتبارسنجی در دنیای واقعی قبل از استقرار همچنان ضروری است.
تست جادهای به تنهایی برای اثبات ایمنی کافی است.
رویدادهای نادر اما حیاتی ممکن است در جادههای عمومی به ندرت رخ دهند. شبیهسازی به سیستمها کمک میکند تا در معرض موقعیتهایی قرار گیرند که در غیر این صورت ممکن است هرگز در طول آزمایش با آنها مواجه نشوند.
شبیهسازها فقط سناریوهای ساده را آزمایش میکنند.
پلتفرمهای شبیهسازی مدرن میتوانند ترافیک سنگین، آب و هوای نامساعد، خرابی حسگرها و بسیاری از موارد پیچیدهی مرزی را که بازسازی فیزیکی آنها دشوار است، مدلسازی کنند.
نتایج حاصل از شبیهسازی بیمعنی هستند.
شبیهسازهای خوب طراحیشده، بینشهای ارزشمندی ارائه میدهند و بسیاری از مشکلات را در مراحل اولیه شناسایی میکنند. چالش، تضمین انتقال مؤثر نتایج مجازی به شرایط دنیای واقعی است.
آزمایشهای دنیای واقعی همیشه مشکلات بیشتری را کشف میکنند.
آزمایش فیزیکی مشکلات منحصر به فردی را پیدا میکند، اما شبیهسازی اغلب اشکالات را سریعتر آشکار میکند زیرا مهندسان میتوانند سیستمها را تحت شرایط کنترلشده بارها و بارها تحت فشار قرار دهند.
آموزش شبیهسازی کارآمدترین روش برای توسعه و آزمایش سیستمهای رانندگی خودکار در سناریوهای مختلف است. آزمایش جادهای در دنیای واقعی همچنان ضروری است زیرا عملکرد را در شرایطی که شبیهسازیها نمیتوانند به طور کامل شبیهسازی کنند، تأیید میکند. قویترین برنامههای خودروهای خودران، هر دو روش را با هم ترکیب میکنند تا اینکه منحصراً به یکی از آنها متکی باشند.
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.
بهینهسازی برد بر به حداکثر رساندن مسافتی که یک وسیله نقلیه میتواند با استفاده از انرژی محدود طی کند تمرکز دارد، در حالی که بهینهسازی سرعت، به حداقل رساندن زمان سفر بین مقاصد را در اولویت قرار میدهد. این دو رویکرد اغلب در سیستمهای حمل و نقل با هم در تضاد هستند و بر رفتار رانندگی، طراحی خودرو، برنامهریزی لجستیک و استراتژیهای بهرهوری انرژی در هر دو شبکه حمل و نقل شخصی و تجاری تأثیر میگذارند.
