Podatki o vožnji v resničnem svetu prihajajo iz senzorjev in posnetkov v dejanskih prometnih razmerah, medtem ko simulirani podatki o vožnji nastajajo v virtualnih okoljih, zasnovanih tako, da posnemajo ceste, promet in robne primere. Oba sta bistvena za razvoj avtonomnih voznih sistemov, vendar se razlikujeta po realizmu, skalabilnosti, stroških in varnosti zajemanja redkih ali nevarnih voznih scenarijev.
Podatki, zbrani iz vozil, ki delujejo v dejanskih prometnih razmerah, z uporabo senzorjev, kot so kamere, radar in lidar.
Umetno generirani podatki o vožnji, ustvarjeni v virtualnih okoljih, ki posnemajo cestna omrežja in prometne navade.
| Funkcija | Podatki o vožnji v resničnem svetu | Simulirani podatki o vožnji |
|---|---|---|
| Vir podatkov | Prava vozila na cestah | Virtualna simulacijska okolja |
| Stroški zbiranja | Visoki obratovalni stroški | Nizki mejni stroški |
| Varnost | Tvegano v skrajnih primerih | Popolnoma varno okolje |
| Prilagodljivost | Omejeno z velikostjo flote | Visoko skalabilno |
| Pokritost robnih primerov | Redki, a pristni dogodki | Enostavno generirano na zahtevo |
| Realizem | Resnična okoljska kompleksnost | Približni ali modelirani realizem |
| Označevanje | Težko ročno/avtomatizirano označevanje | Pogosto samodejno označeno ali vnaprej strukturirano |
| Hitrost razvoja | Počasnejši iteracijski cikli | Hitra iteracija scenarija |
Podatki o vožnji v resničnem svetu odražajo vso kompleksnost dejanskega prometa, vključno z nepredvidljivim človeškim vedenjem, nepopolnimi cestnimi razmerami in šumom senzorjev. Zaradi tega so zelo dragoceni za učenje robustnih modelov. Simulirani podatki, čeprav vse bolj dovršeni, se še vedno zanašajo na približke in predpostavke, ki morda ne zajamejo v celoti odtenkov resničnega okolja.
Zbiranje podatkov iz resničnega sveta izpostavlja vozila in voznike potencialno nevarnim scenarijem, zlasti pri testiranju robnih primerov, kot so nenadni prehodi za pešce ali ekstremno vreme. Simulacija to tveganje v celoti odpravi, saj razvijalcem omogoča, da poustvarijo nevarne situacije v nadzorovanem digitalnem okolju, ne da bi pri tem kogar koli ogrozili.
Simulirane podatke o vožnji je mogoče ustvariti v velikem obsegu z relativno nizkimi stroški, kar omogoča hitro eksperimentiranje v neštetih scenarijih. Nasprotno pa je zbiranje podatkov v resničnem svetu odvisno od fizičnih voznih parkov, geografske pokritosti in časa vožnje, kar znatno omejuje hitrost rasti naborov podatkov.
Simulacija blesti pri ustvarjanju redkih ali nevarnih scenarijev na zahtevo, kot so trčenja več avtomobilov ali nenavadne vremenske razmere. Podatki iz resničnega sveta lahko sčasoma zajamejo te primere, vendar so redki in nepredvidljivi, zaradi česar je težje izdelati uravnotežene nabore podatkov.
Modeli, ki so usposobljeni samo na simulacijskih podatkih, se lahko zaradi »vrzeli med realnostjo« težko posplošijo na resnične razmere. Vendar pa kombinacija obeh vrst podatkov pogosto ustvari močnejše sisteme, kjer simulacija uči širokega vedenja, podatki iz resničnega sveta pa izpopolnjujejo delovanje za dejanska okolja.
Simulirani podatki o vožnji so dovolj dobri, da v celoti nadomestijo podatke iz resničnega sveta.
Čeprav je simulacija izjemno uporabna, ne more v celoti ponoviti nepredvidljivosti in kompleksnosti resničnega prometa. Podatki iz resničnega sveta so še vedno potrebni za validacijo in natančno nastavitev modelov za uvedbo v dejanskih okoljih.
Podatki iz resničnega sveta so vedno dragocenejši od simuliranih podatkov.
Podatki iz resničnega sveta so ključni, simulirani podatki pa igrajo ključno vlogo pri zapolnjevanju vrzeli, zlasti v redkih ali nevarnih scenarijih. Najboljši sistemi uporabljajo oba, namesto da bi se zanašali izključno na enega.
Simulacijska okolja so identična resničnim cestam.
Tudi napredni simulatorji poenostavljajo številne vidike realnosti, kot so šum senzorjev, človeška nepredvidljivost in spremenljivost okolja. Te razlike lahko vplivajo na delovanje modela, če niso skrbno obvladovane.
Več simuliranih podatkov samodejno izboljša delovanje modela.
Samo količina ni dovolj. Slabo zasnovane simulacije lahko povzročijo pristranskost ali nerealistične vzorce, kar lahko dejansko škoduje posplošitvi modela, če ni uravnoteženo s podatki iz resničnega sveta.
Zbiranje podatkov o vožnji v resničnem svetu je preprosto.
V praksi zahteva flote opremljenih vozil, kompleksne nastavitve senzorjev, cevovode za shranjevanje podatkov in obsežne napore pri označevanju, zaradi česar je eden od delov razvoja avtonomne vožnje, ki zahteva največ virov.
Podatki o vožnji iz resničnega sveta so neprekosljivi po realizmu in kompleksnosti, zato so bistveni za validacijo avtonomnih sistemov v dejanskih pogojih. Simulirani podatki pa zagotavljajo hitrost, varnost in skalabilnost, s katerimi se zbirka podatkov iz resničnega sveta ne more kosati. Najučinkovitejši pristop običajno združuje oboje, da uravnoteži realizem in učinkovitost.
Avtomatizacija mestne vožnje in avtomatizacija avtocestne vožnje predstavljata dva različna izziva v avtonomnem prometu. Mestni sistemi morajo krmariti skozi gost promet, pešce in kompleksna križišča, medtem ko avtocestni sistemi delujejo v bolj strukturiranih okoljih z višjimi hitrostmi, vendar manj nepredvidljivimi interakcijami. Vsak od njih zahteva različne tehnologije, varnostne strategije in stopnje kompleksnosti odločanja.
Avtonomna navigacija se za premikanje vozil z malo ali nič človeškega posredovanja zanaša na senzorje, programsko opremo in umetno inteligenco, medtem ko je navigacija, ki jo vodi človek, odvisna od človekove presoje, izkušenj in odločanja. Oba pristopa imata prednosti, pri čemer avtomatizacija ponuja doslednost in skalabilnost, človeško vodenje pa prilagodljivost in razumevanje konteksta.
Avtomobilska pokrajina se premika od tradicionalnega ročnega upravljanja k sofisticirani programsko vodeni mobilnosti. Medtem ko avtomobili, ki jih vozi človek, ponujajo znano upravljanje in prilagodljivost kaotičnim okoljem, avtonomna vozila obljubljajo odpravo glavnega vzroka nesreč – človeške napake. Ta primerjava raziskuje, kako tehnologija na novo opredeljuje varnost, učinkovitost in temeljno izkušnjo potovanja od točke A do točke B.
Avtonomni avtomobili si prizadevajo za delovanje z minimalnim ali brez človeškega posredovanja s popolno avtonomijo, medtem ko napredni sistemi za pomoč vozniku (ADAS) podpirajo voznike s funkcijami, kot so ohranjanje voznega pasu, prilagodljivi tempomat in zaviranje v sili. Oba sistema izboljšujeta varnost in udobje v cestnem prometu, vendar se bistveno razlikujeta po odgovornosti, ravni zmogljivosti in količini nadzora, ki ostane vozniku.
Čas vožnje na delo se med mesti in predmestji bistveno razlikuje zaradi razdalje, prometne infrastrukture in prometnih razmer. Mesta pogosto ponujajo krajše fizične razdalje, vendar se soočajo z zastoji, medtem ko predmestja ponujajo več prostora, vendar običajno zahtevajo daljša potovanja. Celotna izkušnja vožnje na delo je odvisna od možnosti prevoza, lokacije dela in vzorcev urbanega oblikovanja.
