Reālās pasaules braukšanas dati tiek iegūti no sensoriem un ierakstiem faktiskajos satiksmes apstākļos, savukārt simulēti braukšanas dati tiek ģenerēti virtuālās vidēs, kas paredzētas ceļu, satiksmes un robežgadījumu atdarināšanai. Abas metodes ir būtiskas autonomo braukšanas sistēmu izstrādei, taču tās atšķiras pēc reālisma, mērogojamības, izmaksām un tā, cik droši tās uztver retus vai bīstamus braukšanas scenārijus.
Dati, kas tiek apkopoti no transportlīdzekļiem, kuri darbojas reālos satiksmes apstākļos, izmantojot sensorus, piemēram, kameras, radaru un lidaru.
Mākslīgi ģenerēti braukšanas dati, kas izveidoti virtuālās vidēs, kuras atdarina ceļu tīklus un satiksmes uzvedību.
| Funkcija | Reālās pasaules braukšanas dati | Simulēti braukšanas dati |
|---|---|---|
| Datu avots | Īsti transportlīdzekļi uz ceļiem | Virtuālās simulācijas vides |
| Ievākšanas izmaksas | Augstas ekspluatācijas izmaksas | Zemas robežizmaksas |
| Drošība | Riskanti kritiskos gadījumos | Pilnīgi droša vide |
| Mērogojamība | Ierobežots ar flotes lielumu | Ļoti mērogojams |
| Edge lietu pārklājums | Reti, bet autentiski gadījumi | Viegli ģenerējams pēc pieprasījuma |
| Reālisms | Patiesa vides sarežģītība | Aptuvens vai modelēts reālisms |
| Marķēšanas piepūle | Apjomīga manuāla/automatizēta marķēšana | Bieži vien automātiski marķēti vai iepriekš strukturēti |
| Izstrādes ātrums | Lēnāki iterācijas cikli | Ātra scenāriju iterācija |
Reālās pasaules braukšanas dati atspoguļo faktiskās satiksmes pilno sarežģītību, tostarp neparedzamu cilvēku uzvedību, nepilnīgus ceļa apstākļus un sensoru troksni. Tas padara tos ļoti vērtīgus robustu modeļu apmācībai. Simulētie dati, lai gan kļūst arvien sarežģītāki, joprojām balstās uz tuvinājumiem un pieņēmumiem, kas, iespējams, pilnībā neatspoguļo reālās vides nianses.
Reālās pasaules datu vākšana pakļauj transportlīdzekļus un vadītājus potenciāli bīstamām situācijām, īpaši testējot tādus robežgadījumus kā pēkšņas gājēju pārejas vai ekstremāli laikapstākļi. Simulācija pilnībā novērš šo risku, ļaujot izstrādātājiem atjaunot bīstamas situācijas kontrolētā digitālā vidē, neapdraudot nevienu.
Simulētus braukšanas datus var ģenerēt milzīgā mērogā ar salīdzinoši zemām izmaksām, kas ļauj veikt ātrus eksperimentus neskaitāmos scenārijos. Turpretī reālās pasaules datu vākšana ir atkarīga no fiziskajiem autoparkiem, ģeogrāfiskā pārklājuma un braukšanas laika, kas ievērojami ierobežo datu kopu pieauguma ātrumu.
Simulācija izceļas ar retu vai bīstamu scenāriju, piemēram, vairāku automašīnu sadursmju vai neparastu laikapstākļu, radīšanu pēc pieprasījuma. Reālās pasaules dati var galu galā aptvert šos gadījumus, taču tie ir reti un neparedzami, apgrūtinot līdzsvarotu datu kopu izveidi.
Modeļiem, kas apmācīti tikai ar simulācijas datiem, var būt grūtības vispārināt uz reālās pasaules apstākļiem “realitātes plaisas” dēļ. Tomēr abu datu veidu apvienošana bieži vien rada spēcīgākas sistēmas, kur simulācija māca plašu uzvedību un reālās pasaules dati precīzi pielāgo veiktspēju faktiskajām vidēm.
Simulētas braukšanas dati ir pietiekami labi, lai pilnībā aizstātu reālās pasaules datus.
Lai gan simulācija ir ārkārtīgi noderīga, tā nevar pilnībā atkārtot reālās datplūsmas neparedzamību un sarežģītību. Reālās pasaules dati joprojām ir nepieciešami, lai validētu un precizētu modeļus izvietošanai reālā vidē.
Reālās pasaules dati vienmēr ir vērtīgāki nekā simulēti dati.
Reālās pasaules dati ir kritiski svarīgi, taču simulētiem datiem ir galvenā loma nepilnību aizpildīšanā, īpaši retos vai bīstamos scenārijos. Labākās sistēmas izmanto abus, nevis paļaujas tikai uz vienu.
Simulācijas vide ir identiska reāliem ceļiem.
Pat progresīvi simulatori vienkāršo daudzus realitātes aspektus, piemēram, sensoru troksni, cilvēka darbības neparedzamību un vides mainīgumu. Šīs atšķirības var ietekmēt modeļa veiktspēju, ja tās netiek rūpīgi pārvaldītas.
Vairāk simulētu datu automātiski uzlabo modeļa veiktspēju.
Ar kvantitāti vien nepietiek. Slikti izstrādātas simulācijas var radīt neobjektivitāti vai nereālistiskus modeļus, kas faktiski var kaitēt modeļa vispārināšanai, ja tie netiek līdzsvaroti ar reālās pasaules datiem.
Reālās braukšanas datu vākšana ir vienkārša.
Praksē tas prasa aprīkotu transportlīdzekļu parkus, sarežģītas sensoru sistēmas, datu glabāšanas kanālus un plašus marķēšanas darbus, padarot to par vienu no resursietilpīgākajām autonomās braukšanas izstrādes daļām.
Reālās pasaules braukšanas dati ir nepārspējami reālisma un sarežģītības ziņā, tāpēc tie ir būtiski autonomo sistēmu validēšanai reālos apstākļos. Tomēr simulētie dati nodrošina ātrumu, drošību un mērogojamību, ko reālās pasaules datu vākšana nevar nodrošināt. Visefektīvākā pieeja parasti apvieno abus, lai līdzsvarotu reālismu ar efektivitāti.
Izvēle starp ātrgaitas dzelzceļu un lidošanu bieži vien ir atkarīga no kopējā ceļojuma laika no durvīm līdz durvīm un personīgā komforta. Lai gan lidmašīnas dominē tālsatiksmes transkontinentālajos maršrutos, mūsdienu vilcieni vidējas klases braucienos bieži vien pārspēj lidmašīnas, novēršot garas rindas lidostu drošības pārbaudēs un nogādājot pasažierus tieši pilsētas sirdī.
Atkarība no automašīnu īpašumtiesībām raksturo pilsētu sistēmas, kas veidotas ap privātajiem transportlīdzekļiem, kurām ikdienas vajadzību apmierināšanai nepieciešama infrastruktūra un tālsatiksmes braucieni. Gājējiem draudzīga pilsētas plānošana prioritāri nosaka kompaktus plānojumus, jauktas izmantošanas apkaimes un gājējiem draudzīgu infrastruktūru. Abas pieejas mūsdienu pilsētu attīstības modeļos būtiski atšķirīgi ietekmē mobilitāti, dzīves dārdzību, ietekmi uz vidi un dzīvesveida izvēles.
Lai gan tradicionālās automašīnu nomas piedāvā standartizēta korporatīvā autoparka un profesionālu apkalpošanas punktu uzticamību, savstarpēja automašīnu koplietošana ir pārveidojusi nozari, ļaujot rezervēt unikālus, privātīpašumā esošus transportlīdzekļus tieši no vietējiem iedzīvotājiem. Izvēle starp tām bieži vien ir atkarīga no tā, vai jūs novērtējat paredzamu, liela apjoma pakalpojumu vai personalizētāku, daudzveidīgāku un bieži vien kopienas vadītu pieredzi.
Autonomā navigācija balstās uz sensoriem, programmatūru un mākslīgo intelektu, lai pārvietotu transportlīdzekļus ar nelielu vai bez cilvēka iejaukšanās, savukārt cilvēka vadīta navigācija ir atkarīga no cilvēka sprieduma, pieredzes un lēmumu pieņemšanas. Abām pieejām ir stiprās puses, automatizācijai nodrošinot konsekvenci un mērogojamību, savukārt cilvēka vadība nodrošina pielāgošanās spēju un kontekstuālo izpratni.
Automobiļu nozare pāriet no tradicionālās manuālās vadības uz sarežģītu programmatūras vadītu mobilitāti. Kamēr cilvēku vadītas automašīnas piedāvā pazīstamu vadību un pielāgošanās spēju haotiskai videi, autonomie transportlīdzekļi sola novērst galveno negadījumu cēloni — cilvēciskās kļūdas. Šis salīdzinājums pēta, kā tehnoloģijas no jauna definē drošību, efektivitāti un pamata pieredzi, ceļojot no punkta A uz punktu B.
