Ang datos sa pagmamaneho sa totoong mundo ay nagmumula sa mga sensor at recording sa aktwal na mga kondisyon ng trapiko, habang ang kunwaring datos sa pagmamaneho ay nabubuo sa mga virtual na kapaligiran na idinisenyo upang gayahin ang mga kalsada, trapiko, at mga edge case. Pareho silang mahalaga para sa pagbuo ng mga autonomous driving system, ngunit magkaiba sila sa realismo, scalability, gastos, at kung gaano kaligtas ang pagkuha ng mga ito ng mga bihira o mapanganib na senaryo sa pagmamaneho.
Ang datos na nakalap mula sa mga sasakyang tumatakbo sa aktwal na mga kondisyon ng trapiko gamit ang mga sensor tulad ng mga camera, radar, at lidar.
Artipisyal na nabuong datos sa pagmamaneho na nilikha sa mga virtual na kapaligiran na gumagaya sa mga network ng kalsada at gawi ng trapiko.
| Tampok | Datos sa Pagmamaneho sa Tunay na Mundo | Simuladong Datos sa Pagmamaneho |
|---|---|---|
| Pinagmulan ng Datos | Mga totoong sasakyan sa kalsada | Mga kapaligirang virtual na simulasyon |
| Gastos ng Pagkolekta | Mataas na gastos sa pagpapatakbo | Mababang gastos sa marginal |
| Kaligtasan | Mapanganib sa mga edge cases | Ganap na ligtas na kapaligiran |
| Kakayahang sumukat | Limitado sa laki ng fleet | Lubos na nasusukat |
| Saklaw ng Edge Case | Mga bihira ngunit tunay na pangyayari | Madaling mabuo kapag hiniling |
| Realismo | Tunay na pagiging kumplikado ng kapaligiran | Tinatayang o minodelo na realismo |
| Pagsisikap sa Paglalagay ng Label | Malakas na manu-manong/awtomatikong paglalagay ng label | Kadalasang awtomatikong may label o paunang nakabalangkas |
| Bilis ng Pag-unlad | Mas mabagal na mga siklo ng pag-ulit | Mabilis na pag-ulit ng senaryo |
Ang datos sa pagmamaneho sa totoong mundo ay sumasalamin sa buong kasalimuotan ng aktwal na trapiko, kabilang ang hindi mahuhulaan na pag-uugali ng tao, hindi perpektong kondisyon ng kalsada, at ingay ng sensor. Ginagawa nitong lubos itong mahalaga para sa pagsasanay ng mga magagaling na modelo. Ang mga kunwaring datos, habang nagiging mas sopistikado, ay umaasa pa rin sa mga pagtatantya at pagpapalagay na maaaring hindi ganap na makuha ang mga nuances ng totoong kapaligiran.
Ang pangongolekta ng datos mula sa totoong mundo ay naglalantad sa mga sasakyan at mga drayber sa mga potensyal na mapanganib na sitwasyon, lalo na kapag sinusubukan ang mga edge case tulad ng biglaang pagtawid ng mga naglalakad o matinding lagay ng panahon. Lubos na inaalis ng simulation ang panganib na ito sa pamamagitan ng pagpapahintulot sa mga developer na muling likhain ang mga mapanganib na sitwasyon sa isang kontroladong digital na kapaligiran nang hindi isinasapanganib ang sinuman.
Ang kunwang datos sa pagmamaneho ay maaaring mabuo sa malawakang saklaw na may medyo mababang gastos, na nagbibigay-daan sa mabilis na pag-eeksperimento sa hindi mabilang na mga senaryo. Sa kabaligtaran, ang pangongolekta ng datos sa totoong mundo ay nakasalalay sa mga pisikal na fleet, heograpikong saklaw, at oras ng pagmamaneho, na lubos na naglilimita sa kung gaano kabilis maaaring lumaki ang mga dataset.
Ang simulation ay mahusay sa paggawa ng mga bihira o mapanganib na senaryo kung kinakailangan, tulad ng mga banggaan ng maraming sasakyan o hindi pangkaraniwang mga kondisyon ng panahon. Ang mga totoong datos ay maaaring makuha ang mga kasong ito sa kalaunan, ngunit ang mga ito ay madalang at hindi mahuhulaan, na nagpapahirap sa pagbuo ng mga balanseng dataset.
Ang mga modelong sinanay lamang sa datos ng simulasyon ay maaaring mahirapang gawing pangkalahatan sa mga kondisyon sa totoong mundo dahil sa 'agwat sa katotohanan.' Gayunpaman, ang pagsasama-sama ng parehong uri ng datos ay kadalasang lumilikha ng mas malalakas na sistema, kung saan ang simulasyon ay nagtuturo ng malawak na mga pag-uugali at ang datos sa totoong mundo ay nagpapabuti sa pagganap para sa mga aktwal na kapaligiran.
Ang kunwang datos sa pagmamaneho ay sapat na upang ganap na mapalitan ang datos mula sa totoong mundo.
Bagama't lubhang kapaki-pakinabang ang simulation, hindi nito lubos na maaaring kopyahin ang kawalan ng katiyakan at kasalimuotan ng totoong trapiko. Kinakailangan pa rin ang datos mula sa totoong mundo upang mapatunayan at mapino ang mga modelo para sa pag-deploy sa mga aktwal na kapaligiran.
Ang datos mula sa totoong mundo ay palaging mas mahalaga kaysa sa kunwaring datos.
Mahalaga ang datos mula sa totoong buhay, ngunit ang kunwang datos ay may mahalagang papel sa pagpuno ng mga kakulangan, lalo na para sa mga bihira o mapanganib na sitwasyon. Ginagamit ng pinakamahusay na mga sistema ang pareho sa halip na umasa lamang sa isa.
Ang mga kapaligirang simulation ay kapareho ng mga totoong kalsada.
Kahit ang mga advanced na simulator ay nagpapasimple ng maraming aspeto ng realidad, tulad ng ingay ng sensor, kawalan ng katiyakan ng tao, at pabagu-bago ng kapaligiran. Ang mga pagkakaibang ito ay maaaring makaapekto sa pagganap ng modelo kung hindi maingat na mapangasiwaan.
Awtomatikong pinapabuti ng mas maraming kunwang datos ang pagganap ng modelo.
Hindi sapat ang dami lamang. Ang mga simulasyong hindi maayos ang pagkakadisenyo ay maaaring magdulot ng bias o hindi makatotohanang mga padron, na maaaring makapinsala sa paglalahat ng modelo kung hindi balansehin sa datos mula sa totoong mundo.
Ang pagkolekta ng datos sa pagmamaneho sa totoong buhay ay simple lang.
Sa pagsasagawa, nangangailangan ito ng mga fleet ng mga sasakyang may kagamitan, mga kumplikadong setup ng sensor, mga pipeline ng imbakan ng data, at malawakang pagsisikap sa pag-label, na ginagawa itong isa sa mga pinaka-masinsinang bahagi ng pagpapaunlad ng autonomous driving.
Walang kapantay ang realismo at kasalimuotan ng datos sa pagmamaneho sa totoong mundo, kaya mahalaga ito para sa pagpapatunay ng mga autonomous system sa aktwal na mga kondisyon. Gayunpaman, ang simulated data ay nagbibigay ng bilis, kaligtasan, at kakayahang sumukat na hindi kayang tapatan ng totoong koleksyon. Karaniwang pinagsasama ng pinakaepektibong pamamaraan ang pareho upang balansehin ang realismo at kahusayan.
Ang urban driving automation at highway driving automation ay kumakatawan sa dalawang magkaibang hamon sa autonomous transportation. Ang mga sistemang urban ay dapat mag-navigate sa siksikang trapiko, mga naglalakad, at mga kumplikadong interseksyon, habang ang mga sistema ng highway ay gumagana sa mas nakabalangkas na mga kapaligiran na may mas mataas na bilis ngunit mas kaunting hindi mahuhulaan na mga interaksyon. Ang bawat isa ay nangangailangan ng iba't ibang teknolohiya, mga diskarte sa kaligtasan, at mga antas ng pagiging kumplikado ng paggawa ng desisyon.
Ang autonomous navigation ay umaasa sa mga sensor, software, at artificial intelligence upang ilipat ang mga sasakyan nang may kaunti o walang input ng tao, habang ang human-guided navigation ay nakasalalay sa paghatol, karanasan, at paggawa ng desisyon ng isang tao. Ang parehong pamamaraan ay may mga kalakasan, kung saan ang automation ay nag-aalok ng consistency at scalability habang ang patnubay ng tao ay nagbibigay ng adaptation at contextual understanding.
Ang digital na imprastraktura ng paglalakbay ay umaasa sa mga app, serbisyo sa cloud, GPS, at real-time na data upang matulungan ang mga manlalakbay na magplano, mag-navigate, at iakma ang kanilang mga paglalakbay agad-agad, habang ang tradisyonal na imprastraktura ng paglalakbay ay itinayo sa mga pisikal na sistema tulad ng mga kalsada, riles, paliparan, at istasyon. Parehong nagtutulungan, ngunit ang isa ay nakatuon sa daloy ng impormasyon at ang isa naman ay sa pisikal na paggalaw.
Ang eco-driving at sport driving ay kumakatawan sa dalawang magkasalungat na pamamaraan sa pagpapatakbo ng sasakyan. Ang eco-driving ay nakatuon sa maayos na acceleration, fuel efficiency, at nabawasang emissions, kaya mainam ito para sa matipid na pang-araw-araw na paglalakbay. Ang sport driving ay inuuna ang bilis, kakayahang tumugon, at excitement, na kadalasang nagpapataas ng konsumo ng gasolina at mechanical stress kapalit ng mas dynamic na karanasan sa pagmamaneho.
Ang pagpili sa pagitan ng high-speed rail at paglipad ay kadalasang nakasalalay sa kabuuang oras ng paglalakbay mula pinto hanggang pinto at personal na kaginhawahan. Bagama't nangingibabaw ang mga eroplano sa mga malayuang rutang transcontinental, madalas na natatalo ng mga modernong tren ang paglalakbay sa himpapawid sa mga biyaheng nasa katamtamang distansya sa pamamagitan ng pag-aalis ng mahahabang pila sa seguridad sa paliparan at paglalagay ng mga pasahero nang direkta sa puso ng lungsod.
