Als het gaat om de LiDAR-sensor, heeft Tesla een mening die enorm verschilt van de gangbare mening.
Hoewel veel bedrijven LiDAR beschouwen als een integraal onderdeel van de verzameling sensoren voor zelfrijdende voertuigen, stelt Tesla dat LiDAR niet zo belangrijk is. LiDAR komt zelfs niet voor in de voertuigen van Tesla. Tesla-voertuigen maken gebruik van andere functies zoals kaarten, gps, radar, andere sensoren, enz. Naast Tesla lijken er ook andere mensen te zijn die dezelfde mening hebben. Onderzoekers van de Cornell University hebben in hun recente ontdekking geconcludeerd dat het gebruik van LiDAR niet zo noodzakelijk is. De onderzoekers gebruikten twee camera's, die niet duur waren, één aan elke kant van de voorruit van een voertuig. De onderzoekers ontdekten dat detectie van objecten op deze manier mogelijk was, met een nauwkeurigheid die bijna net zo goed was als die van LiDAR en tegen een kostprijs die aanzienlijk lager was dan die van LiDAR.
Bovendien ontdekten onderzoekers ook dat de nauwkeurigheid meer dan verdrievoudigd was toen de opgenomen beelden werden geanalyseerd vanuit vogelperspectief, waarmee werd aangetoond dat een stereocamera een goedkoper alternatief was voor LiDAR.
Dus wat betekent dit allemaal voor zelfrijdende auto's? Het betekent dat het bouwen van dergelijke auto's zonder LiDAR mogelijk zou kunnen zijn. In LiDAR worden de driedimensionale kaarten van de omgeving gemaakt via lasers. LiDAR vertrouwt op de lichtsnelheid om de afstand tot de objecten te berekenen. Aan de andere kant bepalen stereocamera's de diepte met behulp van 2 perspectieven. Hoewel critici misschien zeggen dat stereocamera's een lage nauwkeurigheid bieden bij het detecteren van objecten, hebben de onderzoekers van Cornell University verklaard dat gegevens die zijn vastgelegd met stereocamera's qua nauwkeurigheid vergelijkbaar waren met LiDAR. Het was tijdens de analyse van de gegevens van de stereocamera's dat er een gat in de nauwkeurigheid werd waargenomen.
Bij camerabeelden is het in aanmerking nemen van het vooraanzicht best aantrekkelijk. Dit kan echter problematisch zijn omdat als de objecten van voren worden bekeken, de manier waarop deze objecten worden verwerkt de objecten vervormt, de vormen van de objecten worden vervormd en de objecten vervagen naar de achtergrond.
In zelfrijdende auto's wordt de analyse van de gegevens die worden vastgelegd door sensoren of camera's gedaan met behulp van convolutionele neurale netwerken. Volgens de onderzoekers van de Cornell University, hoewel convolutionele neurale netwerken uitstekend zijn als de taak objectidentificatie is voor foto's in standaardkleuren, kunnen driedimensionale gegevens door deze netwerken worden vervormd als de dataweergave een frontale weergave is. Ook hier was de nauwkeurigheid meer dan verdrievoudigd toen de frontale weergave werd veranderd in een vogelperspectief.
In het huidige scenario gaan we ervan uit dat algoritmen voor machine learning de nodige informatie kunnen extraheren uit de gegevens die we aan de algoritmen verstrekken, ongeacht de dataweergave. Maar de resultaten van het onderzoek geven aan dat het misschien niet zo is en dat datarepresentatie een gebied is waar we meer over moeten nadenken.
Vanwege de fantastische bereiknauwkeurigheid die door LiDAR wordt geboden, is de industrie van zelfrijdende auto's erg enthousiast over het gebruik van LiDAR, ondanks dat het duur is. Maar het vogelperspectief van de gegevens van de camera's, dat de nauwkeurigheid en detectie van het bereik aanzienlijk verbetert, zou de revolutie kunnen zijn die dingen in de industrie verandert.