A valós vezetési adatok szenzorokból és felvételekből származnak a valós forgalmi körülmények között, míg a szimulált vezetési adatok virtuális környezetekben generálódnak, amelyeket az utak, a forgalom és a szélsőséges esetek utánzására terveztek. Mindkettő elengedhetetlen az autonóm vezetési rendszerek fejlesztéséhez, de különböznek a realizmusban, a skálázhatóságban, a költségekben és abban, hogy mennyire biztonságosan rögzítik a ritka vagy veszélyes vezetési helyzeteket.
Valós forgalmi körülmények között közlekedő járművekről gyűjtött adatok szenzorok, például kamerák, radar és lidar segítségével.
Mesterségesen generált vezetési adatok, amelyeket virtuális környezetekben hoznak létre, és amelyek utánozzák az úthálózatokat és a forgalmi viselkedést.
| Funkció | Valós vezetési adatok | Szimulált vezetési adatok |
|---|---|---|
| Adatforrás | Valódi járművek az utakon | Virtuális szimulációs környezetek |
| A begyűjtés költsége | Magas üzemeltetési költség | Alacsony határköltség |
| Biztonság | Kockázatos szélső esetekben | Teljesen biztonságos környezet |
| Skálázhatóság | A flotta mérete korlátozza | Kiválóan skálázható |
| Edge Case lefedettség | Ritka, de hiteles előfordulások | Könnyen generálható igény szerint |
| Realizmus | Valódi környezeti komplexitás | Hozzávetőleges vagy modellezett realizmus |
| Címkézési erőfeszítés | Nagy mennyiségű kézi/automatizált címkézés | Gyakran automatikusan címkézett vagy előre strukturált |
| Fejlesztési sebesség | Lassabb iterációs ciklusok | Gyors forgatókönyv-iteráció |
A valós vezetési adatok a tényleges forgalom teljes összetettségét tükrözik, beleértve a kiszámíthatatlan emberi viselkedést, a tökéletlen útviszonyokat és az érzékelőzajt. Ez rendkívül értékessé teszi őket a robusztus modellek betanításához. A szimulált adatok, bár egyre kifinomultabbak, továbbra is közelítésekre és feltételezésekre támaszkodnak, amelyek nem feltétlenül ragadják meg teljes mértékben a valós környezetek árnyalatait.
A valós adatok gyűjtése potenciálisan veszélyes helyzeteknek teszi ki a járműveket és a sofőröket, különösen olyan szélsőséges esetek tesztelésekor, mint a hirtelen gyalogátkelőhelyek vagy a szélsőséges időjárás. A szimuláció teljes mértékben kiküszöböli ezt a kockázatot azáltal, hogy lehetővé teszi a fejlesztők számára, hogy veszélyes helyzeteket teremtsenek egy ellenőrzött digitális környezetben anélkül, hogy bárkit veszélyeztetnének.
szimulált vezetési adatok nagy mennyiségben, viszonylag alacsony költséggel generálhatók, lehetővé téve a gyors kísérletezést számtalan forgatókönyvben. Ezzel szemben a valós adatgyűjtés a fizikai flottáktól, a földrajzi lefedettségtől és a vezetési időtől függ, ami jelentősen korlátozza az adathalmazok növekedésének sebességét.
A szimuláció kiválóan alkalmas ritka vagy veszélyes forgatókönyvek igény szerinti előállítására, például több autó ütközése vagy szokatlan időjárási körülmények esetén. A valós adatok végül rögzíthetik ezeket az eseteket, de ezek ritkák és kiszámíthatatlanok, ami megnehezíti a kiegyensúlyozott adatkészletek létrehozását.
A kizárólag szimulációs adatokon betanított modellek nehezen általánosíthatók a valós körülményekre a „valóságbeli rés” miatt. A két adattípus kombinálása azonban gyakran erősebb rendszereket eredményez, ahol a szimuláció általános viselkedéseket tanít, a valós adatok pedig finomhangolják a teljesítményt a tényleges környezetekhez.
A szimulált vezetési adatok elég jók ahhoz, hogy teljes mértékben helyettesítsék a valós adatokat.
Bár a szimuláció rendkívül hasznos, nem képes teljes mértékben reprodukálni a valós forgalom kiszámíthatatlanságát és összetettségét. A valós adatok továbbra is szükségesek a modellek validálásához és finomhangolásához a valós környezetekben való telepítéshez.
A valós adatok mindig értékesebbek, mint a szimulált adatok.
A valós adatok kritikus fontosságúak, de a szimulált adatok kulcsszerepet játszanak a hiányosságok pótlásában, különösen ritka vagy veszélyes forgatókönyvek esetén. A legjobb rendszerek mindkettőt használják, ahelyett, hogy kizárólag az egyikre támaszkodnának.
A szimulációs környezetek megegyeznek a valódi utakkal.
Még a fejlett szimulátorok is leegyszerűsítik a valóság számos aspektusát, például az érzékelőzajt, az emberi kiszámíthatatlanságot és a környezeti változékonyságot. Ezek a különbségek befolyásolhatják a modell teljesítményét, ha nem kezelik őket gondosan.
A több szimulált adat automatikusan javítja a modell teljesítményét.
mennyiség önmagában nem elég. A rosszul megtervezett szimulációk torzítást vagy irreális mintákat eredményezhetnek, amelyek valójában károsíthatják a modell általánosítását, ha nincsenek egyensúlyban a valós adatokkal.
A valós vezetési adatok gyűjtése egyszerű.
A gyakorlatban felszerelt járművek flottáját, összetett érzékelőrendszereket, adattárolási folyamatokat és kiterjedt címkézési erőfeszítéseket igényel, így az önvezető rendszerek fejlesztésének egyik legerőforrás-igényesebb része.
valós vezetési adatok páratlanul realizmusúak és összetettek, így elengedhetetlenek az autonóm rendszerek valós körülmények közötti validálásához. A szimulált adatok azonban olyan sebességet, biztonságot és skálázhatóságot biztosítanak, amelyet a valós körülmények között gyűjtött adatok nem tudnak felülmúlni. A leghatékonyabb megközelítés jellemzően mindkettőt ötvözi, hogy egyensúlyt teremtsen a realizmus és a hatékonyság között.
furgonos élet hatékonysága a közlekedés és a lakótér egyetlen mobil rendszerbe való kombinálására összpontosít, csökkentve az állandó lakhatási költségeket, de növelve az önálló erőforrásoktól való függőséget. A hagyományos autótulajdonlás elválasztja a mobilitást a lakhatástól, nagyobb stabilitást és kényelmet kínál, de az életstílustól és a helyszíntől függően magasabb kombinált megélhetési és közlekedési költségeket eredményez.
Az autóalapú életmód a jármű elsődleges lakótérként való használatára épül, amelynek középpontjában a mobilitás és a rugalmasság áll, míg a fix lakhatási rendszerek állandó építményekre, például lakásokra és házakra támaszkodnak, amelyeket stabilitásra és hosszú távú lakhatásra terveztek. Mindkét megközelítés nagyon eltérő módon alakítja azt, hogy az emberek hogyan tapasztalják meg a teret, a biztonságot és a mobilitást.
Míg a hagyományos autókölcsönzés a szabványosított vállalati flotta és a professzionális pultok megbízhatóságát kínálja, a peer-to-peer autómegosztás átalakította az iparágat azáltal, hogy lehetővé teszi egyedi, magántulajdonban lévő járművek bérlését közvetlenül a helyiektől. A választás gyakran attól függ, hogy egy kiszámítható, nagy volumenű szolgáltatást vagy egy személyre szabottabb, változatosabb és gyakran közösségvezérelt élményt értékelünk.
Az autonóm járműbiztonsági rendszerek és az emberi vezetőt segítő biztonsági rendszerek célja a balesetek csökkentése, de másképp közelítik meg a kihívást. Az autonóm rendszerek érzékelőkre, szoftverekre és folyamatos megfigyelésre támaszkodnak, míg az emberközpontú biztonság a vezető tudatosságán, ítélőképességén, képzésén és olyan segítő technológiákon múlik, amelyek célja az emberi döntéshozatal támogatása, nem pedig helyettesítése.
Az autonóm navigáció érzékelőkre, szoftverekre és mesterséges intelligenciára támaszkodik a járművek mozgatásához, kevés vagy semmilyen emberi beavatkozás nélkül, míg az ember által irányított navigáció a személy ítélőképességétől, tapasztalatától és döntéshozatalától függ. Mindkét megközelítésnek vannak erősségei: az automatizálás következetességet és skálázhatóságot biztosít, míg az emberi irányítás alkalmazkodóképességet és kontextuális megértést biztosít.
