Modeliavimo mokymai ir realaus pasaulio kelių bandymai atlieka vienas kitą papildantį vaidmenį kuriant autonomines transporto priemones. Modeliavimas leidžia greitai ir lengvai išbandyti milijonus scenarijų mažomis sąnaudomis, o kelių bandymai leidžia transporto priemonėms veikti nenuspėjamomis sąlygomis ir patikrinti, ar virtualus veikimas užtikrina saugų elgesį realiose gatvėse.
Virtualios aplinkos, naudojamos autonominių vairavimo sistemų mokymui ir vertinimui prieš diegimą tikruose keliuose.
Autonominių transporto priemonių fiziniai bandymai viešuosiuose keliuose arba kontroliuojamose trasose realiomis vairavimo sąlygomis.
| Funkcija | Savarankiško vairavimo simuliaciniai mokymai | Tikrojo pasaulio kelių bandymai |
|---|---|---|
| Testavimo aplinka | Virtualus pasaulis | Fiziniai keliai ir takai |
| Kaina | Mažesnis už kiekvieną scenarijų | Didesnės eksploatavimo išlaidos |
| Mastelio keitimas | Labai aukštas | Ribota dėl parko dydžio |
| Saugumas bandymų metu | Nėra tiesioginės rizikos visuomenei | Reikalauja griežtų saugos priemonių |
| Pakartojamumas | Labai pakartojamas | Sunku tiksliai atkurti |
| Kraštinių atvejų testavimas | Lengva sukurti | Retas ir sunkiai sutinkamas |
| Realizmas | Priklauso nuo simuliatoriaus tikslumo | Maksimalus realizmas |
| Patvirtinimo vertė | Orientuotas į vystymąsi | Diegimo orientuotas |
Modeliavimas smarkiai paspartina kūrimą, nes inžinieriai gali vienu metu paleisti tūkstančius scenarijų ir beveik akimirksniu įvertinti pakeitimus. Realaus pasaulio testavimas vyksta fizinio vairavimo tempu, todėl jis yra daug lėtesnis, kai reikia didelių duomenų kiekių.
Vienas didžiausių modeliavimo privalumų yra gebėjimas sukurti neįprastas situacijas, tokias kaip staigios pėsčiųjų perėjos, atšiaurios oro sąlygos ar netikėtas transporto priemonės elgesys. Priešingai, realaus pasaulio bandymams gali prireikti mėnesių ar metų, kol panašūs įvykiai natūraliai įvyksta.
Kelių bandymai suteikia galimybę susidurti su realiais eismo modeliais, netobula infrastruktūra, jutiklių keliamu triukšmu ir žmonių elgesio nenuspėjamumu. Simuliatoriai nuolat tobulėja, tačiau net ir pažangios skaitmeninės aplinkos gali nepastebėti subtilių realaus pasaulio veiksnių, turinčių įtakos transporto priemonės elgsenai.
Virtualių bandymų atlikimas paprastai reikalauja skaičiavimo išteklių, o ne didelių transporto priemonių parkų ir saugos vairuotojų. Realaus pasaulio programos apima transporto priemones, techninę priežiūrą, draudimą, personalą, logistiką ir atitiktį reglamentams, todėl jos yra gerokai brangesnės.
Šiuolaikinės autonominių transporto priemonių programos retai renkasi vieną metodą, o ne kitą. Dauguma organizacijų naudoja modeliavimą didelio masto kūrimui ir scenarijų generavimui, o tada pasikliauja kelių bandymais, kad patikrintų, ar sistema veikia saugiai už virtualios aplinkos ribų.
Modeliavimas gali visiškai pakeisti bandymus kelyje.
Net ir labai realistiški simuliatoriai negali idealiai atkurti kiekvieno aplinkos kintamojo ar žmogaus elgesio. Prieš diegiant juos, būtina atlikti realaus pasaulio patvirtinimą.
Vien kelių bandymų pakanka saugumui įrodyti.
Reti, bet kritiniai įvykiai viešuosiuose keliuose gali pasitaikyti pernelyg retai. Modeliavimas padeda sistemoms susidaryti situacijas, su kuriomis kitu atveju bandymų metu niekada nesusidurtų.
Simuliatoriai testuoja tik paprastus scenarijus.
Šiuolaikinės modeliavimo platformos gali modeliuoti tankų eismą, nepalankius orus, jutiklių gedimus ir daugelį sudėtingų kraštinių atvejų, kuriuos sunku atkurti fiziškai.
Modeliavimo rezultatai neturi prasmės.
Gerai sukurti simuliatoriai suteikia vertingų įžvalgų ir anksti pastebi daugelį problemų. Iššūkis yra užtikrinti, kad virtualūs rezultatai būtų efektyviai perkelti į realaus pasaulio sąlygas.
Testavimas realiame pasaulyje visada atskleidžia daugiau problemų.
Fizinis testavimas aptinka unikalias problemas, tačiau modeliavimas dažnai atskleidžia klaidas greičiau, nes inžinieriai gali pakartotinai apkrauti sistemas kontroliuojamomis sąlygomis.
Modeliavimo mokymai yra efektyviausias būdas kurti ir išbandyti autonomines vairavimo sistemas įvairiomis sąlygomis. Bandymai realiomis sąlygomis kelyje išlieka nepakeičiami, nes jie patvirtina veikimą sąlygomis, kurių modeliavimas negali idealiai atkurti. Stipriausios autonominių transporto priemonių programos derina abu metodus, o ne remiasi tik vienu iš jų.
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.
