Ang simulation training at real-world road testing ay may mga komplementaryong papel sa pagbuo ng autonomous vehicle. Ang simulation ay nagbibigay-daan sa mabilis at scalable na pagsubok ng milyun-milyong senaryo sa mababang gastos, habang ang road testing ay naglalantad sa mga sasakyan sa mga hindi mahuhulaan na kondisyon at nagpapatunay kung ang virtual na pagganap ay isinasalin sa ligtas na pag-uugali sa aktwal na mga kalye.
Mga virtual na kapaligirang ginagamit upang sanayin at suriin ang mga autonomous na sistema ng pagmamaneho bago i-deploy sa mga totoong kalsada.
Pisikal na pagsusuri ng mga autonomous na sasakyan sa mga pampublikong kalsada o kontroladong riles sa ilalim ng aktwal na mga kondisyon sa pagmamaneho.
| Tampok | Pagsasanay sa Simulasyon para sa Pagmamaneho nang Mag-isa | Pagsubok sa Kalsada sa Tunay na Mundo |
|---|---|---|
| Kapaligiran sa Pagsubok | Virtual na mundo | Mga pisikal na kalsada at riles |
| Gastos | Mas mababa kada senaryo | Mas mataas na gastos sa pagpapatakbo |
| Kakayahang sumukat | Napakataas | Limitado sa laki ng fleet |
| Kaligtasan Habang Nagsusulit | Walang direktang panganib sa publiko | Nangangailangan ng mahigpit na mga hakbang sa kaligtasan |
| Pag-uulit | Lubos na nauulit | Mahirap kopyahin nang eksakto |
| Pagsubok sa Edge Case | Madaling likhain | Bihira at mahirap makaharap |
| Realismo | Depende sa katapatan ng simulator | Pinakamataas na realismo |
| Halaga ng Pagpapatunay | Nakatuon sa pag-unlad | Nakatuon sa pag-deploy |
Malaking tulong ang simulation sa pagpapabilis ng pag-unlad dahil kayang patakbuhin ng mga inhinyero ang libu-libong senaryo nang sabay-sabay at suriin ang mga pagbabago halos agad-agad. Ang pagsubok sa totoong buhay ay kasabay ng pisikal na pagmamaneho, kaya mas mabagal ito kapag kailangan ng malaking dami ng datos.
Isa sa mga pinakamalaking kalakasan ng simulation ay ang kakayahang lumikha ng mga hindi pangkaraniwang sitwasyon tulad ng biglaang pagtawid ng mga naglalakad, masamang panahon, o hindi inaasahang kilos ng mga sasakyan. Sa kabaligtaran, ang pagsubok sa totoong buhay ay maaaring mangailangan ng ilang buwan o taon bago natural na maganap ang mga katulad na pangyayari.
Ang road testing ay nagbibigay ng pagkakalantad sa mga totoong padron ng trapiko, di-perpektong imprastraktura, ingay ng sensor, at kawalan ng katiyakan ng tao. Patuloy na umuunlad ang mga simulator, ngunit kahit ang mga advanced na digital na kapaligiran ay maaaring makaligtaan ang mga banayad na salik sa totoong mundo na nakakaimpluwensya sa pag-uugali ng sasakyan.
Ang pagpapatakbo ng mga virtual na pagsubok sa pangkalahatan ay nangangailangan ng mga mapagkukunan sa computing kaysa sa malalaking fleet ng mga sasakyan at mga driver ng kaligtasan. Ang mga programa sa totoong mundo ay kinabibilangan ng mga sasakyan, pagpapanatili, insurance, tauhan, logistik, at pagsunod sa mga regulasyon, na ginagawang mas mahal ang mga ito.
Bihirang pumili ang mga modernong programa ng autonomous vehicle ng isang paraan kaysa sa isa. Karamihan sa mga organisasyon ay gumagamit ng simulation para sa malawakang pag-develop at pagbuo ng scenario, pagkatapos ay umaasa sa road testing upang mapatunayan na ang sistema ay ligtas na gumagana sa labas ng virtual na kapaligiran.
Maaaring ganap na palitan ng simulation ang road testing.
Kahit ang mga simulator na lubos na makatotohanan ay hindi kayang perpektong kopyahin ang bawat variable sa kapaligiran o pag-uugali ng tao. Kailangan pa rin ang pagpapatunay sa totoong buhay bago i-deploy.
Sapat na ang road testing pa lamang upang mapatunayan ang kaligtasan.
Ang mga bihira ngunit kritikal na pangyayari ay maaaring mangyari nang napakadalang sa mga pampublikong kalsada. Ang simulasyon ay nakakatulong na ilantad ang mga sistema sa mga sitwasyon na maaaring hindi kailanman matagpuan sa panahon ng pagsubok.
Sinusubukan lamang ng mga simulator ang mga simpleng senaryo.
Kayang imodelo ng mga modernong platform ng simulation ang siksik na trapiko, masamang panahon, mga pagkabigo ng sensor, at maraming kumplikadong mga edge case na mahirap muling likhain nang pisikal.
Walang kabuluhan ang mga resulta mula sa simulasyon.
Ang mga mahusay na dinisenyong simulator ay nagbibigay ng mahahalagang kaalaman at maagang nakakatugon sa maraming isyu. Ang hamon ay ang pagtiyak na ang mga virtual na resulta ay epektibong mailalapat sa mga totoong kondisyon sa mundo.
Ang pagsubok sa totoong buhay ay palaging nakakatuklas ng mas maraming problema.
Natutuklasan ng pisikal na pagsusuri ang mga natatanging isyu, ngunit kadalasang mas mabilis na natutuklasan ng simulasyon ang mga bug dahil paulit-ulit na nabibigatan ng mga inhinyero ang mga sistema sa ilalim ng mga kontroladong kondisyon.
Ang simulation training ang pinakaepektibong paraan upang bumuo at mag-stress-test ng mga autonomous driving system sa napakaraming senaryo. Ang totoong pagsubok sa kalsada ay nananatiling napakahalaga dahil pinapatunayan nito ang pagganap sa mga kondisyon na hindi kayang ganap na kopyahin ng mga simulation. Pinagsasama ng pinakamalakas na programa ng autonomous vehicle ang parehong pamamaraan sa halip na umasa lamang sa alinman sa mga ito.
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 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 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.
