La unidad Woven Planet de Toyota Motor se unió a Tesla Inc para tratar de avanzar en la tecnología de conducción autónoma sin sensores costosos como los lidar.
Woven Planet dijo a Reuters que puede usar cámaras de bajo costo para recopilar datos y entrenar de manera efectiva su sistema de conducción autónoma, un «avance» que espera ayude a reducir los costos y a ampliar la tecnología.
La recopilación de diversos datos de conducción utilizando una flota masiva de automóviles es fundamental para desarrollar un sistema robusto de automóviles autónomos, pero es costoso y no escalable para probar vehículos autónomos con sensores costosos, dijo.
«Necesitamos muchos datos. Y no es suficiente tener solo una pequeña cantidad de datos que se pueden recopilar de una pequeña flota de vehículos autónomos muy caros», dijo en una entrevista Michael Benisch, vicepresidente de ingeniería de Woven Planet. con Reuters.
«Más bien, estamos tratando de demostrar que podemos desbloquear la ventaja que tendrían Toyota y un gran fabricante de automóviles, que es el acceso a un enorme corpus de datos, pero con una fidelidad mucho menor», dijo Benisch, exdirector de ingeniería de La división de vehículos autónomos de Lyft, que Toyota adquirió el año pasado.
Woven Planet usa cámaras que son un 90% más baratas que los sensores que usaba antes y se pueden instalar fácilmente en flotas de automóviles de pasajeros.
Dijo, sin embargo, que Toyota todavía usaría múltiples sensores, como lidars y radares para robotaxis y otros vehículos autónomos que se desplegarán en la carretera, ya que actualmente parece ser el mejor y más seguro enfoque para desarrollar robotaxis.
«Pero en muchos, muchos años, es muy posible que la tecnología de tipo cámara pueda ponerse al día y superar a algunos de los sensores más avanzados», dijo.
«La pregunta puede ser más sobre cuándo y cuánto tiempo llevará alcanzar un nivel de seguridad y confiabilidad. No creo que lo sepamos todavía».
El CEO de Tesla, Elon Musk, dijo que puede lograr la autonomía total con las cámaras este año después de fallar varias veces en sus objetivos anteriores.
