వైమో కేవలం-విజన్ స్వయం నడిచే వ్యవస్థపై కఠిన రేఖ వేస్తోంది

పూర్తి స్వయం నియంత్రణకు కెమెరాలకంటే ఎక్కువ అవసరం అని Waymo అంటోంది

కేవలం vision ఆధారిత self-driving కు వ్యతిరేకంగా Waymo తన ఇటీవలి అత్యంత స్పష్టమైన వాదనను ముందుకు తెచ్చింది. ఇటీవల జరిగిన Y Combinator ప్రెజెంటేషన్‌లో హైలైట్ చేసిన వ్యాఖ్యల్లో, Waymo co-CEO Dmitri Dolgov, camera-only వ్యవస్థలు driver assistance కు లేదా మానవ పనితీరును సుమారుగా చేరుకోవడానికి ఉపయోగపడవచ్చని, కానీ భద్రతతో కూడిన పూర్తి autonomy లక్ష్యంగా ఉంటే అవి చాలా తొందరగానే పరిమితులను తాకుతాయని వాదించారు.

ఈ వాదన ముఖ్యమైనది, ఎందుకంటే automated driving లోని అత్యంత దీర్ఘకాలిక సాంకేతిక మరియు వాణిజ్య వివాదాలలో ఒకదాని గుండెల్లోకే ఇది వెళ్తుంది: camera data పై శిక్షణ పొందిన software చివరికి మొత్తం పనిని చేయగలదా, లేక బలమైన autonomy కోసం అనేక రకాల sensors కలిసి పనిచేయాలా? Dolgov వ్యాఖ్యలు Waymo ను రెండో శిబిరంలో బలంగా నిలబెడతాయి, అలాగే ఈ విభేదాన్ని engineering అభిరుచిగా కాకుండా పరిశ్రమ నిజంగా ఏ safety target ను చేరుకోవాలనుకుంటోంది అనే ప్రశ్నగా మలుస్తాయి.

ఉద్ధరించిన వ్యాఖ్యల ప్రకారం, Dolgov ఈ tradeoff ను నేరుగా వివరించారు. ఎక్కువ sensors performance ను పెంచగలవని, కానీ system complexity ను కూడా పెంచుతాయని చెప్పారు. లక్ష్యం కేవలం మనుషులు ఎలా నడుపుతారో అంచనా స్థాయిలో చేరుకోవడమే అయితే, లేదా ఒక assistance product నిర్మించడమే అయితే, cameras మీద ఆధారపడటం సమంజసంగా భావించవచ్చు. కానీ లక్ష్యం పూర్తిగా autonomous driving మరియు ఆయన చెప్పిన strongly superhuman performance అయితే, బలహీనమైన sensing వల్ల safety curve చాలా త్వరగా సమతలమైపోతుందని అన్నారు.

ఈ phrasing ముఖ్యమైనది, ఎందుకంటే ఇది benchmark ను మళ్లీ నిర్వచిస్తుంది. ఈ వాదనలో మానవ driving ceiling కాదు. మానవ driving baseline మాత్రమే, మరియు technical stack ను ఎడ్జ్ కేసులు, కఠిన పరిసరాల్లో తగిన నమ్మకంతో ఆ స్థాయిని మించి నిరంతరం మెరుగుపడగలదా అన్న దానిపై మూల్యాంకనం చేయాలి.

Waymo ఎందుకు మూడు sensor రకాలపై దృష్టి పెట్టింది

మూల సమాచారంలో Dolgov ఇచ్చిన వివరణ ప్రకారం, ప్రతి sensor ఇతర వాటి బలహీనతలను పూరించడంతో Waymo cameras, lidar, radar ను ఉపయోగిస్తోంది. Cameras అధిక resolution మరియు color information ను అందిస్తాయి, scene ను visually rich రీతిలో అర్థం చేసుకోవడంలో సహాయపడతాయి. కానీ cameras passive sensors; చీకటిలో మరియు glare లో అవి పనితీరును కోల్పోతాయని ఆయన అన్నారు.

దీనికి భిన్నంగా lidar వాహనం చుట్టూ ఉన్న ప్రపంచపు మూడు-పరిమాణ నిర్మాణాన్ని నేరుగా కొలుస్తుంది. Radar మరో బలాన్ని జోడిస్తుంది: fog, rain, snow వంటి పర్యావరణ పరిస్థితుల్లో బాగా పనిచేస్తుంది, అలాగే Doppler effects ద్వారా velocity ను నేరుగా కొలవగలదు. Lidar, radar రెండూ active sensors అని Dolgov ప్రత్యేకంగా చెప్పారు, అంటే అవి పిచ్చి చీకటిలోనూ, కళ్లను మిరుమిట్లు గొలిపే sunset వంటి దృశ్యపరంగా కఠిన పరిస్థితుల్లోనూ సమర్థవంతంగా పనిచేయగలవు.

ఇవి కలిపి Waymo యొక్క ప్రధాన సాంకేతిక వాదన. human fallback లేకుండా పనిచేయాల్సిన self-driving వ్యవస్థ ఒకే perception channel పై అధికంగా ఆధారపడకూడదు, ముఖ్యంగా ఆ channel సాధారణ నిజజీవిత వైఫల్యాలకు బలహీనంగా ఉన్నప్పుడు. Sensor diversity అనేది ఐచ్ఛిక redundancy కాదని కంపెనీ భావన. ఒక sensing mode నమ్మదగనిదిగా మారినప్పుడు వాహనం తన awareness ను నిలుపుకోవడానికి సహాయపడే mechanism అదే.

ఇది అనుకూల పరిస్థితుల్లో lanes, vehicles, pedestrians ను గుర్తించడానికంటే ఎక్కువగా డిమాండ్ చేసే ప్రమాణం. ఇది lighting వేగంగా మారే, weather visibility ని ప్రభావితం చేసే, road users అనూహ్యంగా ప్రవర్తించే, అరుదైన కానీ కీలక పరిస్థితులు కూడా ప్రతిరోజూ ఎదురయ్యే పరిస్థితులంతే ముఖ్యమైన గందరగోళ ప్రపంచంలో deployment ను ఊహిస్తుంది.

పరిశ్రమలో లోతైన విభజన product category గురించే

Self-driving చుట్టూ ఉన్న విభేదాలలో కొంత భాగం నిజానికి product category గురించిన విభేదమే అని కూడా Dolgov వ్యాఖ్యలు సూచిస్తున్నాయి. Driver-assistance system, fully autonomous system బయటకు ఒకేలా కనిపించవచ్చు, కానీ failure, responsibility, acceptable performance margins పై చాలా వేరే assumptions తో నిర్మించబడవచ్చు.

మానవ డ్రైవర్ బాధ్యతతో, అప్రమత్తంగా ఉంటే, uncertainty వచ్చినప్పుడు system సమస్యను తిరిగి అతనికి లేదా ఆమెకు అప్పగించవచ్చు. వాహనమే మొత్తం పనిని చేయాల్సి వస్తే, uncertainty ను machine యొక్క స్వంత sensing మరియు decision-making stack లోనే పరిష్కరించాలి. అక్కడే camera-first లేదా camera-only approach సరిపోదని Waymo భావిస్తోంది.

ఈ విభజన యొక్క commercial వైపూ అంతే ముఖ్యమైనది. ఎక్కువ hardware అంటే సాధారణంగా ఎక్కువ ఖర్చు, ఎక్కువ integration పని, మరియు maintenance complexity కూడా పెరగవచ్చు. Vision-only మద్దతుదారులు దీర్ఘకాలంగా సరళమైన hardware మరింత సమర్థవంతంగా scale అవుతుందని వాదిస్తున్నారు. ఇచ్చిన source text ఆధారంగా Dolgov సమాధానం ఏమిటంటే, ఖర్చు మరియు complexity ప్రశ్నను safety target నుండి వేరు చేయలేము. తక్కువ ఖర్చు sensing approach ఆకర్షణీయంగా అనిపించవచ్చు, కానీ అది ఉద్దేశించిన autonomy స్థాయిని ఇంకా మద్దతు ఇస్తే మాత్రమే.

అంటే ఇది ఏ sensor అందంగా ఉందనే సాంకేతిక చర్చ కంటే ఎక్కువ. మిగిలిన సమస్యలు అరుదుగా, కష్టంగా, లేదా safety critical గా మారినప్పుడు తక్కువ ఖర్చు perception stack ఇంకా మెరుగుపడగలదా అనే వ్యూహాత్మక వాదన ఇది.

ఈ వ్యాఖ్యలు self-driving race కోసం ఏమి సూచిస్తున్నాయి

Source text Dolgov వ్యాఖ్యలను Tesla approach పై నేరమైన సవాలుగా చూపుతున్నప్పటికీ, అందించిన సమాచారంలో నుండి తీసుకోవడానికి అత్యంత రక్షణయోగ్యమైన takeaway మరింత విస్తృతమైనది. Waymo multimodal sensing ను autonomous driving లో తదుపరి దశకు అవసరమైనదిగా చూస్తోంది, మరియు నమ్మదగిన driverless performance కు complementary perception మార్గమని భావిస్తోంది, minimal hardware కాదు.

ఇది పరిశ్రమ చర్చను ముగించదు, కానీ దానిని మరింత పదును చేస్తుంది. ప్రశ్న ఇక కేవలం వాహనం అనేక సందర్భాల్లో తానే నడపగలదా అన్నది కాదు. సులభమైన లాభాలు అయిపోయిన తర్వాత, మిగిలే తప్పులు darkness, glare, weather, ambiguous motion, లేదా రహదారిపై అసాధారణ geometry నుండి వస్తే కూడా, ఒక architecture నిరంతరం మెరుగుపడగలదా అన్నదే ప్రశ్న.

Safety curve చాలా తొందరగా సమతలమైపోతుందని ఆలోచనపై దృష్టి పెట్టడం ద్వారా, బలహీన sensing సమస్య నేటి వ్యవస్థలను చెడుగా చేయడం మాత్రమే కాదని Waymo వాదిస్తోంది. వారి దృష్టిలో లోతైన సమస్య, అది రేపటి system improvement కు పరిమితిని విధించగలగడం.

విస్తృత transportation మరియు energy ecosystem కోసం ఈ తేడా ముఖ్యం. Autonomous vehicles ను తరచుగా software breakthroughs గా చర్చిస్తారు, కానీ పెద్ద స్థాయి deployment machine stress లో ఎంత నమ్మకంగా perceive చేయగలదో అంతే ఆధారపడుతుంది. Dolgov వ్యాఖ్యలు autonomy కోసం hardware choices ఇప్పటికీ వ్యాపార మరియు safety కేసులో కేంద్రబిందువుగా ఉన్నాయని బలపరుస్తున్నాయి.

ఆ అర్థంలో Waymo సందేశం చాలా స్పష్టం: పరిశ్రమకు నిజమైన driverless systems కావాలంటే, advanced assistance కాదు, sensing stack ను human vision మరియు అందువల్ల camera-only perception ఒంటరిగా సరిపోని పరిస్థితులకు అనుగుణంగా నిర్మించాలి.

ఈ వ్యాసం CleanTechnica నివేదిక ఆధారంగా ఉంది. మూల వ్యాసం చదవండి.