Persian
آینده ماژولهای دوربین در مقابل لایدار در خودروهای خودران
ساخته شده در 01.21
بحث پیرامون ماژولهای دوربین در مقابل لایدار در خودروهای خودران، مدتهاست که به عنوان یک نبرد "برنده همه چیز را میبرد" مطرح شده است: ایلان ماسک لایدار را "عصای گرانقیمت" مینامد، در حالی که Waymo و Huawei میلیاردها دلار روی حسگرهای مبتنی بر لیزر برای ارائه رانندگی ایمن خودران سرمایهگذاری میکنند. اما با ورود صنعت رانندگی خودران به یک نقطه عطف حیاتی در سال ۲۰۲۵، روایت جدیدی در حال ظهور است - روایتی که در آن این دو فناوری رقیب نیستند، بلکه شریک رقص در تلاش برای دستیابی به استقلال واقعی قابل اعتماد هستند. این مقاله بررسی میکند که چگونهماژولهای دوربین و LiDAR در حال تکامل هستند، چرا همافزایی آنها اجتنابناپذیر میشود و این چه معنایی برای آینده حمل و نقل دارد.
برای درک آینده آنها، ابتدا باید نقاط قوت اصلی و محدودیتهای ذاتی که هر فناوری را تعریف میکنند، بشناسیم. دوربینها، که بر اساس چشم انسان مدلسازی شدهاند، در ثبت اطلاعات غنی زمینهای برتری دارند - رنگ چراغهای راهنمایی، خطکشی جاده، حرکات عابران پیاده و حتی وضعیت چراغهای ترمز سایر رانندگان. در مقابل، لایدار پالسهای لیزری را منتشر میکند تا نقشههای سهبعدی دقیقی از محیط ایجاد کند و درک عمق و آگاهی فضایی بینظیری را ارائه میدهد که دوربینها تنها از طریق الگوریتمهای پیچیده هوش مصنوعی میتوانند آن را تقریب بزنند. سالهاست که این تفاوتها به فلسفههای فنی متضاد دامن زدهاند: دید خالص نرمافزار محور در مقابل ادغام چند حسگر با افزونگی سختافزاری.
تکامل ماژولهای دوربین: از پیکسلهای دوبعدی تا ادراک هوشمند
ماژولهای دوربین از دستگاههای سادهی ثبت تصویر به ابزارهای ادراک پیچیده تبدیل شدهاند که با پیشرفتهای هوش مصنوعی و عکاسی محاسباتی هدایت میشوند. رویکرد صرفاً مبتنی بر دوربین تسلا، که توسط سیستم FSD V12 و بیش از ۱۰۰ میلیارد مایل دادهی رانندگی در دنیای واقعی پشتیبانی میشود، ثابت کرده است که دوربینها میتوانند بیشتر سناریوهای رانندگی روزمره را در صورت ترکیب با شبکههای عصبی پیشرفته و معماریهای BEV (نمای پرنده) + ترنسفورمر مدیریت کنند. مزیت کلیدی این مسیر در مقیاسپذیری نهفته است: یک سیستم ۸ دوربینه کمتر از ۵۰۰ دلار هزینه دارد که کسری از قیمت سیستمهای اولیه LiDAR است و آن را برای خودروهای بازار انبوه مقرون به صرفه میسازد.
نوآوریهای اخیر قابلیتهای دوربین را بیش از پیش گسترش میدهند. دوربینهای مدرن خودرو اکنون فراتر از طیف نور مرئی عمل میکنند و از تصویربرداری حرارتی برای تشخیص عابران پیاده در نور کم و سنسورهای مادون قرمز نزدیک برای عبور از مه رقیق استفاده میکنند. از نظر نرمافزاری، یادگیری "حالت سایه" به سیستمهای مبتنی بر دوربین اجازه میدهد تا از طریق میلیونها سناریوی رانندگی همزمان به طور مداوم بهبود یابند و بهروزرسانیهای هفتگی OTA تصمیمگیری آنها را اصلاح میکنند. با این حال، دوربینها همچنان با محدودیتهای فیزیکی غیرقابل عبور روبرو هستند: در باران شدید، برف یا مه غلیظ، نرخ تشخیص آنها تا ۴۰ درصد کاهش مییابد و در محیطهای بدون ویژگی مانند بزرگراههای خالی یا تونلهای با دیوارهای سفید، در درک عمق مشکل دارند.
رنسانس لایدار: کاهش هزینه و جهشهای عملکردی
لیدار (LiDAR)، که زمانی یک فناوری تخصصی بود و تنها برای ناوگانهای آزمایشی خودروهای لوکس استفاده میشد، به لطف طراحی حالت جامد و صرفهجویی در مقیاس، تحولی چشمگیر را تجربه کرده است. در سال ۲۰۱۸، هزینه یک واحد لیدار خودرو حدود ۸۰۰ دلار بود؛ اما تا سال ۲۰۲۵، شرکتهایی مانند RoboSense قیمتها را به زیر ۲۰۰ دلار رساندهاند و پیشبینی میشود تا سال ۲۰۲۷ واحدهای زیر ۱۰۰ دلار عرضه شوند. این انقلاب هزینهای ناشی از تغییر از لیدارهای مکانیکی چرخان به انواع حالت جامد است که قطعات متحرک را حذف کرده، اندازه را کاهش داده و قابلیت اطمینان را بهبود میبخشد – عواملی حیاتی برای تولید انبوه.
دستاورددهای عملکردی نیز به همان اندازه چشمگیر بودهاند. لایدار ۱۹۲ کاناله هواوی به رزولوشن زاویهای ۰.۰۵ درجه دست مییابد که به آن امکان میدهد عابران پیاده را در فاصله ۲۰۰ متری تشخیص دهد - بیش از دو برابر برد مؤثر اکثر دوربینهای خودرو. آزمایشهای دنیای واقعی Waymo نشان میدهد که لایدار در مه غلیظ و باران شدید، پایداری دادهای ۳ برابر بیشتر از سیستمهای بینایی حفظ میکند و این شکاف ایمنی مهم را برطرف میسازد. با این حال، لایدار بینقص نیست: با سطوح بازتابنده مانند دیوارهای شیشهای و گودالهای آب مشکل دارد که میتواند باعث حوادث "ترمز ناگهانی" شود و نمیتواند اطلاعات کدگذاری شده با رنگ مانند چراغهای راهنمایی را تشخیص دهد - که برای پیمایش در محیطهای شهری پیچیده ضروری است.
نقطه عطف: چرا ادغام جایگزین رقابت میشود
افسانه یک سنسور "برتر" واحد، با شکستهای دنیای واقعی رد شده است. در سال ۲۰۲۴، یک تسلا مجهز به FSD V12 در لس آنجلس، به اشتباه یک گودال آب را مانع تشخیص داد و باعث ترمز ناگهانی شد که تقریباً منجر به تصادف از عقب شد - یک محدودیت کلاسیک سیستمهای فقط دوربینی. در مقابل، نمونههای اولیه فقط لایدار (LiDAR) در تشخیص چراغهای قرمز راهنمایی و رانندگی در نور شدید خورشید ناکام ماندند و ناتوانی این فناوری را در پردازش نشانههای بصری متنی برجسته کردند. این حوادث، تغییر صنعت به سمت ادغام سنسورها، به ویژه "ادغام اولیه" را تسریع کرده است - تکنیکی که دادههای خام دوربینها و لایدار را در اولین مرحله پردازش ترکیب میکند، به جای ادغام نتایج تفسیر شده در مراحل بعدی.
آخرین الگوریتم ادغام زودهنگام Haomo.AI قدرت این رویکرد را نشان میدهد و خطاهای ادراک را ۷۲ درصد در مقایسه با سیستمهای تکسنسوری کاهش میدهد. با همتراز کردن پیکسلهای دوربین با ابرهای نقطه لایدار در زمان واقعی، سیستم از قدرت متنی دوربین و دقت فضایی لایدار برای ایجاد یک مدل محیطی جامعتر بهره میبرد. به عنوان مثال، در ساعات اوج ترافیک عصرگاهی شنژن، ADS 3.0 هواوی - که لایدار ۱۹۲ کاناله را با ۸ دوربین ترکیب میکند - با موفقیت یک سهچرخه بدون چراغ را که از جاده عبور میکرد، شناسایی کرد، سناریویی که به تنهایی هر یک از سنسورها را به چالش میکشید.
روندهای نوظهور شکلدهنده همافزایی
سه روند کلیدی در حال بازتعریف رابطه بین ماژولهای دوربین و LiDAR هستند و همکاری آنها را حتی تأثیرگذارتر میسازند:
1. رادار موج میلیمتری 4D به عنوان یک پل: رادار 4D جدید گروه کانتیننتال به دقت زاویهای 0.5° در 1/10 هزینه LiDAR دست مییابد و به عنوان یک لایه مکمل بین دوربینها و LiDAR عمل میکند. این رادار اندازهگیری فاصله را در شرایط جوی معتدل بهبود میبخشد و وابستگی به LiDAR را در سناریوهای کمتر چالشبرانگیز کاهش میدهد و نسبتهای هزینه-عملکرد را بهینهتر میکند.
۲. ادغام V2X مرزهای ادراک را گسترش میدهد: شبکه خودرو به همه چیز (V2X) مجهز به ۵G در چین اکنون بیش از ۱۰۰,۰۰۰ کیلومتر جاده را پوشش میدهد و دادههای ترافیکی و خطرات بیدرنگ را ارائه میدهد که حسگرهای روی خودرو را تکمیل میکند. در این اکوسیستم، دوربینها و لایدار بر محیط اطراف فوری تمرکز میکنند، در حالی که V2X نقاط کور خارج از محدوده حسگر را پر میکند و یک حباب ادراکی «۳۶۰ درجه+» ایجاد میکند.
3. تخصیص حسگر تطبیقی مبتنی بر هوش مصنوعی: سیستمهای خودران آینده بهطور پویا دادهها را از دوربینها یا LiDAR بر اساس شرایط رانندگی اولویتبندی خواهند کرد. در روزهای روشن در بزرگراهها، سیستم ممکن است بیشتر به دوربینها تکیه کند تا انرژی را صرفهجویی کند؛ در مناطق شهری مهآلود، به LiDAR برای دقت تغییر خواهد کرد. این رویکرد تطبیقی حداکثر کارایی را در حالی که ایمنی را حفظ میکند، به ارمغان میآورد.
دینامیک صنعت و تأثیر سیاست
استراتژیهای خودروسازان بهطور فزایندهای این روند ادغام را منعکس میکنند و از مواضع افراطی فاصله میگیرند. BMW در هر دو شرکت سازنده LiDAR یعنی Luminar و شرکت متمرکز بر دوربین Mobileye سرمایهگذاری میکند؛ فولکسواگن با Horizon Robotics همکاری میکند در حالی که گزینههای LiDAR را حفظ میکند. حتی تسلا، که نماد بینایی خالص است، به آرامی به بررسی ادغام LiDAR در پروتوتایپهای رباتاکسی خود پرداخته است که نشاندهنده یک تغییر بالقوه برای خدمات خودران تجاری است.
سیاستها نیز به سمت راهحلهای چندحسگر در حرکت هستند. چین استفاده از لایدار را برای خودروهای خودران سطح ۳ به بالا اجباری کرده است، در حالی که سیستم رتبهبندی ایمنی NCAP اروپا در سیستم رتبهبندی ایمنی سال ۲۰۲۵ خود لایدار را لحاظ خواهد کرد. NHTSA ایالات متحده از نظر فنی بیطرف باقی مانده است اما بر «افزونگی» در الزامات ایمنی تأکید دارد - زبانی که ادغام حسگرها را به جای اتکا به یک حسگر ترجیح میدهد. این تغییرات نظارتی در حال تسریع پذیرش معماریهای ترکیبی دوربین-لایدار هستند.
چشمانداز ۲۰۲۷: دوربینمحور با اعتبارسنجی لایدار
با نگاهی به سال ۲۰۲۷، آینده ماژولهای دوربین و لایدار روشن است: ترکیبی طلایی "دوربینمحور، لایدار تأییدکننده" برای خودران سطح L4. دوربینها لایه حسگر اصلی باقی خواهند ماند و از هزینه پایین، آگاهی محیطی بالا و بهبود مستمر هوش مصنوعی برای مدیریت ۹۰٪ سناریوهای رانندگی بهره خواهند برد. لایدار به عنوان یک شبکه ایمنی حیاتی عمل خواهد کرد و در موقعیتهای پرخطر - آب و هوای نامساعد، تقاطعهای پیچیده، مناطق ساخت و ساز - فعال میشود تا دادههای سهبعدی دقیقی را ارائه دهد که از خطاهای فاجعهبار جلوگیری میکند.
این همافزایی معضل اصلی رانندگی خودران را حل میکند: تعادل بین مقیاسپذیری و ایمنی. دوربینها با حفظ هزینههای پایین، امکان پذیرش انبوه را فراهم میکنند، در حالی که LiDAR به "موارد خاص" که مانع از خودران کامل شدهاند، میپردازد. با ادامه کاهش قیمتهای LiDAR و پیشرفتهتر شدن هوش مصنوعی دوربین، ادغام آنها به استانداردی در تمام سطوح وسیله نقلیه خودران تبدیل خواهد شد - از سیستمهای ADAS مصرفکننده تا رباتاکسیها.
نتیجهگیری: فراتر از رقابت، به سمت اعتماد
بحث دوربین در مقابل LiDAR هرگز واقعاً درباره برتری فناوری نبود—بلکه درباره ایجاد اعتماد بود. برای اینکه وسایل نقلیه خودران به جریان اصلی تبدیل شوند، باید از رانندگان انسانی ایمنتر باشند و هیچ حسگری به تنهایی نمیتواند به این هدف برسد. دوربینها هوش زمینهای و مقیاسپذیری را به ارمغان میآورند؛ LiDAR دقت و قابلیت اطمینان را فراهم میکند. آینده آنها نه در رقابت، بلکه در تکمیل یکدیگر نهفته است.
با حرکت به سمت دنیایی از حملونقل خودران، دیگر این سوال مطرح نخواهد بود که «دوربین یا لایدار؟» بلکه «چگونه بهترین ادغام را بین آنها انجام دهیم؟» این پاسخ، دوران بعدی حملونقل را تعریف خواهد کرد؛ دورانی که در آن فناوری برای تحقق وعده استقلال ایمن، در دسترس و کارآمد برای همه، هماهنگ عمل میکند.
تماس
اطلاعات خود را وارد کنید و ما با شما تماس خواهیم گرفت.
WhatsApp
WeChat