Realaus pasaulio vairavimo duomenys gaunami iš jutiklių ir įrašų realiomis eismo sąlygomis, o imituojami vairavimo duomenys generuojami virtualioje aplinkoje, skirtoje imituoti kelius, eismą ir ekstremalias situacijas. Abu šie duomenys yra būtini kuriant autonomines vairavimo sistemas, tačiau jie skiriasi realizmu, mastelio keitimu, kaina ir tuo, kaip saugiai jie fiksuoja retas ar pavojingas vairavimo situacijas.
Duomenys, surinkti iš transporto priemonių, važiuojančių realiomis eismo sąlygomis, naudojant tokius jutiklius kaip kameros, radaras ir lidaras.
Dirbtinai generuojami vairavimo duomenys, sukurti virtualioje aplinkoje, atkartojančioje kelių tinklus ir eismo elgseną.
| Funkcija | Realaus pasaulio vairavimo duomenys | Imituoti vairavimo duomenys |
|---|---|---|
| Duomenų šaltinis | Tikros transporto priemonės keliuose | Virtualios modeliavimo aplinkos |
| Išieškojimo kaina | Didelės eksploatavimo išlaidos | Mažos ribinės išlaidos |
| Saugumas | Rizikinga kraštutiniais atvejais | Visiškai saugi aplinka |
| Mastelio keitimas | Ribota dėl parko dydžio | Labai keičiamo dydžio |
| Edge bylų aprėptis | Reti, bet autentiški įvykiai | Lengvai generuojamas pagal poreikį |
| Realizmas | Tikrasis aplinkos sudėtingumas | Apytikslis arba modeliuojamas realizmas |
| Ženklinimo pastangos | Didelės apimties rankinis / automatinis ženklinimas | Dažnai automatiškai žymimi arba iš anksto struktūrizuoti |
| Plėtros greitis | Lėtesni iteracijos ciklai | Greitas scenarijaus iteravimas |
Realaus pasaulio vairavimo duomenys atspindi visą realaus eismo sudėtingumą, įskaitant nenuspėjamą žmonių elgesį, netobulas kelio sąlygas ir jutiklių triukšmą. Todėl jie labai vertingi mokant patikimus modelius. Imituoti duomenys, nors ir tampa vis sudėtingesni, vis dar remiasi apytiksliais duomenimis ir prielaidomis, kurios gali ne iki galo atspindėti realios aplinkos niuansus.
Renkant realaus pasaulio duomenis, transporto priemonės ir vairuotojai susiduria su potencialiai pavojingomis situacijomis, ypač testuojant tokius kraštutinius atvejus kaip staigios pėsčiųjų perėjos ar ekstremalūs orai. Modeliavimas visiškai pašalina šią riziką, leisdamas kūrėjams atkurti pavojingas situacijas kontroliuojamoje skaitmeninėje aplinkoje, niekam nekeliant pavojaus.
Imituoti vairavimo duomenys gali būti generuojami dideliu mastu ir gana mažomis sąnaudomis, o tai leidžia greitai eksperimentuoti su daugybe scenarijų. Priešingai, realaus pasaulio duomenų rinkimas priklauso nuo fizinių transporto parkų, geografinės aprėpties ir vairavimo laiko, o tai labai riboja duomenų rinkinių augimo greitį.
Modeliavimas puikiai tinka retų ar pavojingų scenarijų, pavyzdžiui, kelių automobilių susidūrimų ar neįprastų oro sąlygų, kūrimui pagal poreikį. Realaus pasaulio duomenys galiausiai gali užfiksuoti šiuos atvejus, tačiau jie yra reti ir nenuspėjami, todėl sunkiau sukurti subalansuotus duomenų rinkinius.
Modeliai, apmokyti tik su simuliacijos duomenimis, gali būti sunkiai apibendrinami realaus pasaulio sąlygomis dėl „realybės spragos“. Tačiau derinant abu duomenų tipus dažnai sukuriamos stipresnės sistemos, kuriose simuliacija moko plataus elgesio, o realaus pasaulio duomenys tiksliai derina našumą prie realios aplinkos.
Imituoti vairavimo duomenys yra pakankamai geri, kad visiškai pakeistų realaus pasaulio duomenis.
Nors modeliavimas yra nepaprastai naudingas, jis negali visiškai atkurti realaus srauto nenuspėjamumo ir sudėtingumo. Realaus pasaulio duomenys vis tiek būtini, kad būtų galima patvirtinti ir tiksliai suderinti modelius diegimui realioje aplinkoje.
Realaus pasaulio duomenys visada yra vertingesni nei modeliuojami duomenys.
Realaus pasaulio duomenys yra labai svarbūs, tačiau modeliavimo duomenys atlieka pagrindinį vaidmenį užpildant spragas, ypač retų ar pavojingų scenarijų atvejais. Geriausios sistemos naudoja abu, o ne pasikliauja tik vienu.
Simuliacinės aplinkos yra identiškos tikriems keliams.
Net ir pažangūs modeliavimo įrenginiai supaprastina daugelį realybės aspektų, pavyzdžiui, jutiklių triukšmą, žmogaus veiklos nenuspėjamumą ir aplinkos kintamumą. Šie skirtumai, jei nebus kruopščiai valdomi, gali turėti įtakos modelio veikimui.
Daugiau modeliuojamų duomenų automatiškai pagerina modelio našumą.
Vien kiekybės nepakanka. Prastai suprojektuotos simuliacijos gali sukelti šališkumą ar nerealistiškus modelius, kurie, jei nebus suderinti su realaus pasaulio duomenimis, gali pakenkti modelio apibendrinimui.
Rinkti realaus pasaulio vairavimo duomenis yra paprasta.
Praktiškai tam reikia daugybės aprūpintų transporto priemonių, sudėtingų jutiklių konfigūracijų, duomenų saugojimo kanalų ir didelių ženklinimo pastangų, todėl tai yra viena iš daugiausiai išteklių reikalaujančių autonominio vairavimo kūrimo dalių.
Realaus pasaulio vairavimo duomenys yra neprilygstami realizmu ir sudėtingumu, todėl jie yra būtini norint patvirtinti autonominių sistemų veikimą realiomis sąlygomis. Tačiau modeliavimo būdu gauti duomenys suteikia greitį, saugumą ir mastelio keitimą, su kuriuo negali lygintis realaus pasaulio duomenų rinkimas. Veiksmingiausias metodas paprastai sujungia abu šiuos aspektus, kad būtų subalansuotas realizmas ir efektyvumas.
Lyginant „Hyperloop“ ir „Maglev“, reikia nagrinėti dvi skirtingas magnetinio tranzito kartas. Nors „Maglev“ yra patikrinta, veikianti technologija, šiuo metu gabena keleivius miestuose kelių šimtų mylių per valandą greičiu, „Hyperloop“ yra ambicingas šuolis į priekį, kuriuo siekiama pasiekti orlaivių lygio greitį, tas pačias magnetines sistemas talpinant vakuuminiu būdu sandariuose vamzdeliuose.
Nors tradicinė automobilių nuoma siūlo standartizuoto įmonių parko ir profesionalių prekystalių patikimumą, tarpusavio automobilių dalijimosi paslaugos pakeitė šią pramonės šaką, leisdamos užsisakyti unikalias, privačias transporto priemones tiesiai iš vietinių gyventojų. Pasirinkimas dažnai priklauso nuo to, ar vertinate nuspėjamą, didelio masto paslaugą, ar labiau suasmenintą, įvairesnę ir dažnai bendruomenės valdomą patirtį.
Autonominė navigacija remiasi jutikliais, programine įranga ir dirbtiniu intelektu, kad galėtų valdyti transporto priemones beveik be žmogaus įsikišimo, o žmogaus vadovaujama navigacija priklauso nuo žmogaus sprendimų, patirties ir sprendimų priėmimo. Abu metodai turi privalumų: automatizavimas užtikrina nuoseklumą ir mastelio keitimą, o žmogaus nurodymai suteikia prisitaikomumą ir kontekstinį supratimą.
Automobilių pramonė keičia savo kelią nuo tradicinio rankinio valdymo prie sudėtingo, programine įranga valdomo mobilumo. Nors žmonių vairuojami automobiliai siūlo įprastą valdymą ir prisitaikymą prie chaotiškos aplinkos, autonominės transporto priemonės žada pašalinti pagrindinę avarijų priežastį – žmogaus klaidas. Šiame palyginime nagrinėjama, kaip technologijos iš naujo apibrėžia saugumą, efektyvumą ir esminę kelionės iš taško A į tašką B patirtį.
Autonominio vairavimo suvokimas priklauso nuo jutiklių, algoritmų ir realaus laiko duomenų apdorojimo, siekiant interpretuoti kelio aplinką, o žmogaus vairavimo intuicija priklauso nuo patirties, suvokimo ir instinktyvaus sprendimų priėmimo. Abu metodai siekia užtikrinti saugią ir efektyvią kelionę, tačiau jie iš esmės skiriasi tuo, kaip interpretuoja neapibrėžtumą, reaguoja į netikėtas situacijas ir prisitaiko prie sudėtingos eismo aplinkos.
