لیدار در برابر رادار در برابر دوربین: مقایسه قطعی مجموعه‌حسگرهای خودروهای خودران

صنعت خودروسازی در حال حاضر درگیر یک بحث فلسفی میلیارد دلاری است که چگونه یک خودرو باید جهان را ببیند. از یک سو، شرکت‌هایی مانند تسلا استدلال می‌کنند که از آنجایی که انسان‌ها فقط با استفاده از دو حسگر نوری (چشم) و یک شبکه عصبی (مغز) رانندگی می‌کنند، وسایل نقلیه می‌توانند با استفاده صرف از دوربین‌ها و هوش مصنوعی به خودرانی کامل دست یابند.

از سوی دیگر، شرکت‌هایی که تاکسی‌های رباتیک واقعی را اداره می‌کنند، مانند وایمو (Waymo) و کروز (Cruise)، اصرار دارند که دوربین‌ها به راحتی توسط عوامل محیطی کور می‌شوند و برای تضمین ایمنی سرنشینان، به مجموعه‌ای مازاد از لیزرها و امواج رادیویی نیاز است.[1][4]

برای مصرف‌کننده عادی، این یک بحث آکادمیک انتزاعی نیست. حسگرهایی که پشت آینه دید عقب پیچ شده‌اند و داخل سپر جلو پنهان شده‌اند، دقیقاً نحوه رفتار یک وسیله نقلیه جدید را در مسیر رفت و آمد صبحگاهی تعیین می‌کنند.

راه‌حل این تنش مهندسی در فیزیک طیف الکترومغناطیسی نهفته است، زیرا هیچ حسگر واحدی کامل نیست. دوربین‌ها رنگ را می‌بینند اما فاقد عمق ذاتی هستند؛ رادار عمق و سرعت را می‌بیند اما فاقد شکل است؛ لیدار شکل سه‌بعدی بی‌نقصی را می‌بیند اما در آب و هوای سنگین دچار مشکل می‌شود و قیمت بالایی دارد.[2]

هنگامی که یک راننده کروز کنترل تطبیقی را در بزرگراه فعال می‌کند، ایمنی خود را به نقاط قوت و ضعف این دستگاه‌ها می‌سپارد. درک مکانیسم‌های هر حسگر توضیح می‌دهد که چرا ممکن است یک وسیله نقلیه با اطمینان در یک گذرگاه کوهستانی مه‌آلود حرکت کند، اما هنگامی که مستقیماً در معرض تابش خیره‌کننده خورشید کم‌ارتفاع زمستانی قرار می‌گیرد، ناگهان بوق بزند و کمک فرمان خود را قطع کند.[1][4]

دوربین‌ها حسگرهای غیرفعال هستند، به این معنی که نور محیطی را که از اشیا در محیط بازتاب می‌شود، ثبت می‌کنند. آنها تنها حسگرهای موجود در جعبه ابزار خودرو هستند که قادر به خواندن اعداد روی تابلوی محدودیت سرعت، شناسایی وضعیت قرمز یا سبز چراغ راهنمایی، یا تمایز بین یک خط زرد ممتد و یک خط سفید منقطع هستند. از آنجایی که آنها در طیف نور مرئی کار می‌کنند، بالاترین داده‌های بافتی با وضوح موجود را در اختیار رایانه خودرو قرار می‌دهند.[2]

با این حال، از آنجایی که آنها کاملاً به نور محیط متکی هستند، دوربین‌ها به راحتی به خطر می‌افتند. تابش مستقیم نور خورشید، باران شدید، یا شیشه جلوی گلی‌شده به شدت قابلیت آنها را کاهش می‌دهد. علاوه بر این، یک تصویر دوربین واحد دو بعدی است.

برای تعیین اینکه یک شی چقدر دور است، سیستم‌های صرفاً مبتنی بر دوربین باید از هوش مصنوعی پیچیده برای استنتاج عمق از پیکسل‌های مسطح استفاده کنند، فرآیندی که از نظر محاسباتی سنگین است و می‌تواند گهگاه توسط خطاهای دیداری، مانند تصویر نقاشی شده یک فرد روی پشت یک کامیون تجاری، فریب بخورد.[3]

رادار (Radar) که مخفف تشخیص و فاصله‌یابی رادیویی است، با انتشار امواج رادیویی فعال، معمولاً در فرکانس ۷۷ گیگاهرتز، و اندازه‌گیری مدت زمانی که طول می‌کشد تا به گیرنده بازگردند، مشکل عمق را حل می‌کند. از آنجایی که امواج رادیویی از نظر فیزیکی طولانی هستند، به راحتی از مه، باران و برف عبور می‌کنند.

این امر رادار را به ابزار نهایی ایمنی در برابر خرابی در هر آب و هوا برای تشخیص فاصله دقیق و سرعت نسبی خودروی جلو تبدیل می‌کند و تضمین می‌کند که خودرو می‌تواند در طوفان برفی که دید را کاملاً از بین می‌برد، ترمز کند.[1][2]

نقص مهلک رادار سنتی خودرو، وضوح فضایی فوق‌العاده پایین آن است. این سیستم می‌تواند به راحتی تعیین کند که یک شی بزرگ و متراکم دقیقاً ۱۰۰ متر دورتر است، اما نمی‌تواند به راحتی تشخیص دهد که آیا آن شی یک کامیون آتش‌نشانی متوقف شده است که مسیر را مسدود کرده یا یک پل فلزی هوایی است که با خیال راحت از بزرگراه عبور می‌کند.

برای جلوگیری از ترمز کردن مداوم خودرو برای پل‌های هوایی، مهندسان اغلب سیستم‌های رادار را طوری برنامه‌ریزی می‌کنند که بازتاب‌های ثابت را در سرعت‌های بزرگراهی نادیده بگیرند، یک سازش نرم‌افزاری که از لحاظ تاریخی منجر به برخوردهای پر سر و صدا شده است.[2]

لیدار (Lidar) یا تشخیص و فاصله‌یابی نوری، وارد می‌شود. لیدار به جای امواج رادیویی گسترده، میلیون‌ها پالس لیزری هدفمند در ثانیه، معمولاً در محدوده طول موج ۹۰۵ تا ۱۵۵۰ نانومتر، شلیک می‌کند. با اندازه‌گیری زمان پرواز برای هر فوتون منفرد هنگام بازگشت، حسگر یک نقشه توپوگرافی سه‌بعدی بی‌نقص و با وضوح بالا از جهان می‌سازد که در صنعت به عنوان «ابر نقطه» (Point Cloud) شناخته می‌شود.[1]

برخلاف دوربین‌ها، لیدار اندازه‌گیری‌های فاصله دقیق و از نظر ریاضی قطعی را بدون نیاز به هوش مصنوعی برای حدس زدن عمق ارائه می‌دهد. برخلاف رادار، وضوح دانه‌ای لازم برای تشخیص تفاوت بین یک عابر پیاده که وارد جاده می‌شود و یک صندوق پستی که در کنار پیاده‌رو ایستاده است را دارد. از آنجایی که منبع نور خود را تولید می‌کند، در تاریکی مطلق کاملاً کار می‌کند و سبک رانندگی محتاطانه اما بسیار دقیق تاکسی‌های رباتیک تجاری در شب را به آنها می‌دهد.[1][3]

با این حال، لیدار جادو نیست. از آنجایی که به طیف نوری متکی است، در بارش شدید دچار مشکل می‌شود. دانه‌های برف، بخار اگزوز و قطرات مه غلیظ می‌توانند پالس‌های لیزر را پراکنده کنند و موانع «شبح» در ابر نقطه ایجاد کنند که رایانه خودرو را گیج می‌کند.

علاوه بر این، واحدهای مکانیکی چرخان از لحاظ تاریخی ده‌ها هزار دلار هزینه داشتند، اگرچه ظهور لیدار حالت جامد (Solid-State Lidar) – که از ریزتراشه‌ها برای هدایت لیزرها بدون قطعات متحرک استفاده می‌کند – به سرعت در حال کاهش این قیمت به چند صد دلار در هر واحد است.[1][2]

برای خریدار روزمره خودرو، استاندارد صنعتی عمدتاً به «همجوشی حسگر» تبدیل شده است. این رویکرد عمل‌گرایانه اذعان می‌کند که دوربین‌ها، رادار و لیدار دارای نقاط قوت همپوشانی هستند که ضعف‌های یکدیگر را کاملاً خنثی می‌کنند. یک ماژول محاسباتی مرکزی، رنگ و بافت را از دوربین، داده‌های سرعت در هر آب و هوا را از رادار، و شکل سه‌بعدی دقیق را از لیدار می‌گیرد و آنها را در یک دوقلوی دیجیتالی واحد و قوی از محیط به هم می‌بافد.[2][4]

جنبش مخالف استدلال می‌کند که همجوشی حسگر یک عصای گران‌قیمت است. طرفداران دید خالص فرض می‌کنند که افزودن لیدار و رادار جریان‌های داده متناقضی ایجاد می‌کند—چه اتفاقی می‌افتد وقتی رادار می‌گوید جاده باز است، اما دوربین مانعی را می‌بیند؟ این خودروسازان با تغذیه میلیاردها مایل ویدیوی رانندگی انسانی به ابررایانه‌های عظیم، قصد دارند هوش مصنوعی را آموزش دهند تا عمق و بافت را صرفاً از پیکسل‌های دوربین درک کند و نیاز به سخت‌افزار ثانویه گران‌قیمت را از بین ببرد.[3][4]

جالب اینجاست که محققان اکنون در حال بررسی معماری‌های نرم‌افزاری ترکیبی، مانند سیستم‌های «لیدار به عنوان دوربین» هستند. این چارچوب‌ها ابرهای نقطه سه‌بعدی تولید شده توسط لیدار را می‌گیرند و آنها را در فضاهای تصویر دو بعدی نمایش می‌دهند، که به مدل‌های هوش مصنوعی بسیار بهینه‌سازی شده که در اصل برای دوربین‌ها ساخته شده‌اند، اجازه می‌دهد تا داده‌های لیدار را به صورت بومی پردازش کنند. این امر شکاف بین دو فلسفه مهندسی متخاصم را پر می‌کند و قطعیت فیزیکی سخت‌افزار را با هوش بافتی نرم‌افزار به حداکثر می‌رساند.[3]

برای مصرف‌کننده، مجموعه حسگر در نهایت حوزه طراحی عملیاتی خودرو (Operational Design Domain) را تعیین می‌کند—شرایط خاصی که تحت آن خودرو می‌تواند به طور قانونی و ایمن خود را براند. یک سیستم صرفاً مبتنی بر دوربین ممکن است از راننده بخواهد که دستان خود را همیشه روی فرمان و چشمان خود را روی جاده نگه دارد، آماده برای در دست گرفتن کنترل زمانی که سیستم توسط یک سایه یا یک بارندگی ناگهانی گیج می‌شود.[2]

برعکس، سیستم‌های خودران واقعی «بدون نیاز به چشم» به طور جهانی به ترکیب مازاد هر سه حسگر متکی هستند. با ارزان‌تر شدن لیدار حالت جامد و بهبود وضوح رادار تصویربرداری، خودروهایی که طی پنج سال آینده به خانه‌های مصرف‌کنندگان می‌رسند، به طور فزاینده‌ای این رویکرد چندحسگری را اتخاذ خواهند کرد و فیزیک انتزاعی نور و امواج رادیویی را به آرامش خاطر ملموس در بزرگراه تبدیل می‌کنند.[1][4]