Дані про реальний рух надходять від датчиків та записів у реальних дорожніх умовах, тоді як дані про симуляцію руху генеруються у віртуальних середовищах, призначених для імітації доріг, дорожнього руху та граничних випадків. Обидва ці середовища є важливими для розробки систем автономного водіння, але вони відрізняються реалістичністю, масштабованістю, вартістю та тим, наскільки безпечно вони фіксують рідкісні або небезпечні сценарії водіння.
Дані, зібрані з транспортних засобів, що працюють у реальних дорожніх умовах, за допомогою таких датчиків, як камери, радари та лідари.
Штучно згенеровані дані про водіння, створені у віртуальних середовищах, що відтворюють дорожні мережі та поведінку дорожнього руху.
| Функція | Дані реального водіння | Дані імітації водіння |
|---|---|---|
| Джерело даних | Справжні транспортні засоби на дорогах | віртуальні середовища моделювання |
| Вартість стягнення | Високі експлуатаційні витрати | Низькі граничні витрати |
| Безпека | Ризиковано під час крайніх випадків | Повністю безпечне середовище |
| Масштабованість | Обмежено розміром автопарку | Висока масштабованість |
| Покриття граничних випадків | Рідкісні, але справжні випадки | Легко генерується на вимогу |
| Реалізм | Справжня складність навколишнього середовища | Приблизний або змодельований реалізм |
| Зусилля з маркування | Інтенсивне ручне/автоматизоване маркування | Часто автоматично позначені або попередньо структуровані |
| Швидкість розробки | Повільніші цикли ітерацій | Швидка ітерація сценарію |
Дані реального водіння відображають всю складність реального дорожнього руху, включаючи непередбачувану поведінку людини, недосконалі дорожні умови та шум датчиків. Це робить їх дуже цінними для навчання надійних моделей. Модельовані дані, хоча й стають дедалі складнішими, все ще спираються на наближення та припущення, які можуть не повністю враховувати нюанси реального середовища.
Збір реальних даних наражає транспортні засоби та водіїв на потенційно небезпечні сценарії, особливо під час тестування крайніх випадків, таких як раптові пішохідні переходи або екстремальні погодні умови. Моделювання повністю усуває цей ризик, дозволяючи розробникам відтворювати небезпечні ситуації в контрольованому цифровому середовищі, не наражаючи нікого на небезпеку.
Дані про моделювання водіння можна генерувати у великих масштабах з відносно низькими витратами, що дозволяє швидко експериментувати в незліченних сценаріях. Натомість, збір даних у реальному світі залежить від фізичних автопарків, географічного покриття та часу водіння, що значно обмежує швидкість зростання наборів даних.
Моделювання чудово справляється зі створенням рідкісних або небезпечних сценаріїв на вимогу, таких як зіткнення за участю кількох автомобілів або незвичайні погодні умови. Реальні дані можуть зрештою охопити ці випадки, але вони трапляються нечасто та непередбачувано, що ускладнює створення збалансованих наборів даних.
Моделі, навчені лише на даних симуляції, можуть мати труднощі з узагальненням на реальні умови через «розрив між реальністю». Однак поєднання обох типів даних часто створює сильніші системи, де симуляція навчає широким моделям поведінки, а реальні дані точно налаштовують продуктивність для реальних середовищ.
Дані змодельованого водіння достатньо якісні, щоб повністю замінити дані реального світу.
Хоча моделювання надзвичайно корисне, воно не може повністю відтворити непередбачуваність та складність реального трафіку. Реальні дані все ще необхідні для перевірки та налаштування моделей для розгортання в реальних середовищах.
Дані реального світу завжди цінніші за змодельовані дані.
Дані реального світу є критично важливими, але змодельовані дані відіграють ключову роль у заповненні прогалин, особливо у рідкісних або небезпечних сценаріях. Найкращі системи використовують обидва, а не покладаються виключно на один.
Середовища симуляції ідентичні реальним дорогам.
Навіть просунуті симулятори спрощують багато аспектів реальності, такі як шум датчиків, непередбачуваність людської діяльності та мінливість навколишнього середовища. Ці відмінності можуть впливати на продуктивність моделі, якщо їх ретельно не контролювати.
Більше змодельованих даних автоматично покращує продуктивність моделі.
Тільки кількості недостатньо. Погано розроблені симуляції можуть призвести до упередженості або нереалістичних закономірностей, що може фактично зашкодити узагальненню моделі, якщо їх не збалансувати з реальними даними.
Збір даних про реальний водіння є простим.
На практиці це вимагає парків обладнаних транспортних засобів, складних налаштувань датчиків, каналів зберігання даних та масштабних зусиль з маркування, що робить це однією з найбільш ресурсоємних частин розробки автономного водіння.
Дані про реальний рух не мають собі рівних за реалістичністю та складністю, що робить їх важливими для перевірки автономних систем у реальних умовах. Однак змодельовані дані забезпечують швидкість, безпеку та масштабованість, з якими реальні дані не можуть зрівнятися. Найефективніший підхід зазвичай поєднує обидва показники для балансу між реалістичністю та ефективністю.
Вирішуючи, як перевозити товари через кордони чи континенти, вибір між повітряним та автомобільним транспортом часто зводиться до балансу швидкості, бюджету та обсягу вантажу. Хоча авіаперевезення пропонують неперевершену швидкість на великих відстанях, автомобільний транспорт залишається основою внутрішньої логістики, забезпечуючи важливу гнучкість та сполучення «від дверей до дверей», з яким літаки просто не можуть зрівнятися.
Автоматизація міського водіння та автоматизація водіння на автомагістралях представляють дві окремі проблеми в автономному транспорті. Міські системи повинні орієнтуватися в щільному русі, з пішоходами та складними перехрестями, тоді як системи автомагістралей працюють у більш структурованих середовищах з вищими швидкостями, але меншою кількістю непередбачуваних взаємодій. Кожна з них вимагає різних технологій, стратегій безпеки та рівнів складності прийняття рішень.
Автономна навігація спирається на датчики, програмне забезпечення та штучний інтелект для пересування транспортних засобів з мінімальним втручанням людини або взагалі без нього, тоді як навігація з використанням людини залежить від судження, досвіду та прийняття рішень людиною. Обидва підходи мають свої переваги, причому автоматизація пропонує узгодженість та масштабованість, тоді як керівництво людини забезпечує адаптивність та контекстуальне розуміння.
Автомобільний ландшафт переходить від традиційного ручного керування до складної програмно-орієнтованої мобільності. У той час як автомобілі з людським керуванням пропонують звичний контроль та адаптивність до хаотичного середовища, автономні транспортні засоби обіцяють усунути основну причину аварій — людську помилку. Це порівняння досліджує, як технології переосмислюють безпеку, ефективність та фундаментальний досвід подорожі з пункту А в пункт Б.
Безпілотні автомобілі прагнуть працювати з мінімальним втручанням людини або взагалі без нього, використовуючи повну автономність, тоді як передові системи допомоги водієві (ADAS) підтримують водіїв-людей за допомогою таких функцій, як утримання смуги руху, адаптивний круїз-контроль та екстрене гальмування. Обидва типи систем покращують безпеку та зручність дорожнього руху, але вони суттєво відрізняються відповідальністю, рівнем можливостей та тим, наскільки контроль залишається у водія-людини.
