נתוני נהיגה מהעולם האמיתי מגיעים מחיישנים והקלטות בתנאי תנועה אמיתיים, בעוד שנתוני נהיגה מדומים נוצרים בסביבות וירטואליות שנועדו לחקות כבישים, תנועה ומקרי שוליים. שניהם חיוניים לפיתוח מערכות נהיגה אוטונומיות, אך הם נבדלים בריאליזם, במדרגיות, בעלות ובמידת הבטיחות שבהם הם לוכדים תרחישי נהיגה נדירים או מסוכנים.
נתונים שנאספו מכלי רכב הפועלים בתנאי תנועה אמיתיים באמצעות חיישנים כמו מצלמות, מכ"ם ולידר.
נתוני נהיגה שנוצרו באופן מלאכותי בסביבות וירטואליות המשכפלות רשתות כבישים והתנהגות תנועה.
| תכונה | נתוני נהיגה מהעולם האמיתי | נתוני נהיגה מדומים |
|---|---|---|
| מקור נתונים | כלי רכב אמיתיים על הכבישים | סביבות סימולציה וירטואליות |
| עלות הגבייה | עלות תפעול גבוהה | עלות שולית נמוכה |
| בְּטִיחוּת | מסוכן במהלך מקרי קצה | סביבה בטוחה לחלוטין |
| מדרגיות | מוגבל על ידי גודל הצי | ניתן להרחבה בקלות |
| כיסוי מקרה קצה | אירועים נדירים אך אותנטיים | נוצר בקלות לפי דרישה |
| רֵיאָלִיזם | מורכבות סביבתית אמיתית | ריאליזם משוער או מודל |
| מאמץ תיוג | תיוג ידני/אוטומטי כבד | לעיתים קרובות מתויג אוטומטית או מובנה מראש |
| מהירות פיתוח | מחזורי איטרציה איטיים יותר | איטרציה מהירה של תרחישים |
נתוני נהיגה מהעולם האמיתי משקפים את מלוא המורכבות של התנועה בפועל, כולל התנהגות אנושית בלתי צפויה, תנאי דרך בלתי מושלמים ורעשי חיישנים. עובדה זו הופכת אותם לבעל ערך רב לאימון מודלים חזקים. נתונים מדומים, למרות שהם מתוחכמים יותר ויותר, עדיין מסתמכים על קירובים והנחות שעשויים לא ללכוד באופן מלא את הניואנסים של סביבות אמיתיות.
איסוף נתונים מהעולם האמיתי חושף כלי רכב ונהגים לתרחישים שעלולים להיות מסוכנים, במיוחד בעת בדיקת מקרי קצה כמו חציית הולכי רגל פתאומית או מזג אוויר קיצוני. סימולציה מבטלת סיכון זה לחלוטין בכך שהיא מאפשרת למפתחים לשחזר מצבים מסוכנים בסביבה דיגיטלית מבוקרת מבלי לסכן אף אחד.
ניתן לייצר נתוני נהיגה מדומים בקנה מידה עצום בעלות נמוכה יחסית, מה שמאפשר ניסויים מהירים על פני אינספור תרחישים. לעומת זאת, איסוף נתונים בעולם האמיתי תלוי בציי רכב פיזיים, כיסוי גיאוגרפי וזמן נהיגה, מה שמגביל באופן משמעותי את המהירות שבה מערכי הנתונים יכולים לגדול.
סימולציה מצטיינת ביצירת תרחישים נדירים או מסוכנים לפי דרישה, כגון התנגשויות מרובות מכוניות או תנאי מזג אוויר יוצאי דופן. נתונים מהעולם האמיתי עשויים בסופו של דבר ללכוד מקרים אלה, אך הם נדירים ובלתי צפויים, מה שמקשה על בניית מערכי נתונים מאוזנים.
מודלים שאומנו רק על נתוני סימולציה עשויים להתקשות בהכללה לתנאי העולם האמיתי עקב "פער המציאות". עם זאת, שילוב של שני סוגי הנתונים מייצר לעתים קרובות מערכות חזקות יותר, שבהן סימולציה מלמדת התנהגויות כלליות ונתונים מהעולם האמיתי מכוונים את הביצועים לסביבות אמיתיות.
נתוני נהיגה מדומים טובים מספיק כדי להחליף באופן מלא נתונים מהעולם האמיתי.
בעוד שסימולציה שימושית ביותר, היא אינה יכולה לשכפל באופן מלא את חוסר הוודאות והמורכבות של תעבורה אמיתית. נתונים מהעולם האמיתי עדיין נחוצים כדי לאמת ולכוונן מודלים לפריסה בסביבות ממשיות.
נתונים מהעולם האמיתי תמיד בעלי ערך רב יותר מנתונים מדומים.
נתונים מהעולם האמיתי הם קריטיים, אך נתונים מדומים ממלאים תפקיד מפתח במילוי פערים, במיוחד בתרחישים נדירים או מסוכנים. המערכות הטובות ביותר משתמשות בשניהם במקום להסתמך על אחד מהם באופן בלעדי.
סביבות סימולציה זהות לכבישים אמיתיים.
אפילו סימולטורים מתקדמים מפשטים היבטים רבים של המציאות, כגון רעש חיישנים, חוסר יכולת חיזוי אנושי ושונות סביבתית. הבדלים אלה יכולים להשפיע על ביצועי המודל אם לא מנוהלים בזהירות.
נתונים מדומים רבים יותר משפרים אוטומטית את ביצועי המודל.
כמות לבדה אינה מספיקה. סימולציות שתוכננו בצורה גרועה עלולות להכניס הטיה או דפוסים לא מציאותיים, אשר עלולים לפגוע בהכללת המודל אם לא יתאזנו עם נתונים מהעולם האמיתי.
איסוף נתוני נהיגה מהעולם האמיתי הוא פשוט.
בפועל, זה דורש ציי רכבים מצוידים, מערכי חיישנים מורכבים, צינורות אחסון נתונים ומאמצי תיוג נרחבים, מה שהופך אותו לאחד החלקים עתירי המשאבים ביותר בפיתוח נהיגה אוטונומית.
נתוני נהיגה מהעולם האמיתי הם חסרי תקדים מבחינת ריאליזם ומורכבות, מה שהופך אותם לחיוניים לאימות מערכות אוטונומיות בתנאים אמיתיים. עם זאת, נתונים מדומים מספקים מהירות, בטיחות ומדרגיות שאיסוף מהעולם האמיתי אינו יכול להשתוות להן. הגישה היעילה ביותר משלבת בדרך כלל את שניהם כדי לאזן בין ריאליזם ליעילות.
אוטומציה של נהיגה עירונית ואוטומציה של נהיגה בכבישים מהירים מייצגות שני אתגרים נפרדים בתחבורה אוטונומית. מערכות עירוניות חייבות לנווט בתנועה צפופה, הולכי רגל וצמתים מורכבים, בעוד שמערכות כבישים מהירים פועלות בסביבות מובנות יותר עם מהירויות גבוהות יותר אך פחות אינטראקציות בלתי צפויות. כל אחת מהן דורשת טכנולוגיות שונות, אסטרטגיות בטיחות ורמות שונות של מורכבות קבלת החלטות.
אופטימיזציה של יעילות הרכב מתמקדת בהפחתת צריכת דלק, פליטות ועלויות תפעול תוך מקסום טווח ואמינות. כוונון ביצועים, לעומת זאת, נותן עדיפות לעוצמה, תאוצה ודינמיקת נהיגה, לעתים קרובות על חשבון יעילות ובלאי לטווח ארוך. שתי הגישות משנות את אופן התנהגות הרכב, אך הן משרתות מטרות נהיגה וצרכי משתמש שונים מאוד.
אופטימיזציית עלות למייל מתמקדת בהפחתת ההוצאות הכוללות של תחבורה ליחידת מרחק, בעוד שאופטימיזציית זמן למייל נותנת עדיפות למזעור משך הנסיעה. שתי הגישות נמצאות בשימוש נרחב בלוגיסטיקה וניהול ציי רכב, אך לעתים קרובות הן מושכות לכיוונים שונים, וכפותות פשרות בין יעילות, מהירות ועלות תפעולית בהתאם למטרות העסקיות ולאילוצי האספקה.
אופטימיזציית טווח נסיעה מתמקדת במקסום המרחק שרכב יכול לנסוע באמצעות אנרגיה מוגבלת, בעוד שאופטימיזציית מהירות נותנת עדיפות למזעור זמן הנסיעה בין יעדים. שתי גישות אלו מתנגשות לעיתים קרובות במערכות תחבורה, ומשפיעות על התנהגות נהיגה, תכנון רכב, תכנון לוגיסטי ואסטרטגיות יעילות אנרגטית הן ברשתות ניידות אישיות והן ברשתות תחבורה מסחריות.
הבחירה בין אופנוע לקטנוע תלויה לעיתים קרובות במרחק הנסיעה היומיומי ובנוחות עם מהירויות גבוהות יותר. בעוד שאופנועים מציעים את הכוח הדרוש לנסיעות בכבישים מהירים ולטיולים למרחקים ארוכים, קטנועים מספקים פתרון חסכוני בדלק וזריז להפליא להתמצאות בתנועה עירונית צפופה ובנסיעות קצרות בשכונה.
