Hoewel autonoom rijden lange tijd afhankelijk is geweest van machinaal leren om routes te plannen en objecten te detecteren, wedden sommige bedrijven en onderzoekers er nu op dat generatieve kunstmatige intelligentie (modellen die gegevens uit hun omgeving halen en voorspellingen genereren) de autonomie naar een volgende fase zal helpen brengen. Wayve, een Waabi-concurrent, heeft vorig jaar een soortgelijk model uitgebracht dat is getraind op videobeelden die door zijn voertuigen zijn verzameld.
Het model van Waabi werkt op een vergelijkbare manier als beeld- of videogeneratoren zoals OpenAI DALL-E en Sora. Er zijn puntenwolken van lidargegevens nodig, die een 3D-kaart van de omgeving van de auto visualiseren, en deze in stukken breken, net zoals beeldgeneratoren foto’s in pixels opsplitsen. Op basis van de trainingsgegevens voorspelt Copilot4D vervolgens hoe alle lidar-datapunten zullen bewegen. Dankzij de continue werking kan het voorspellingen 5-10 seconden in de toekomst genereren.
Waabi is een van de weinige autonoom rijdende bedrijven, waaronder concurrenten Wayve en Ghost, die hun aanpak omschrijven als ‘AI first’. Voor Urtasuna betekent dit het ontwerpen van een systeem dat leert van data, in plaats van een systeem dat moet leren hoe te reageren op specifieke situaties. De groep gokt erop dat hun methoden minder uren zelfrijdende autotests op de weg zouden vereisen, een onderwerp na een ongeval in oktober 2023 waarbij een Cruise-robotaxi een voetganger in San Francisco sleepte.
Waabi verschilt van zijn concurrenten door het bouwen van een generatief model voor lidar in plaats van camera’s.
“Als je een niveau 4-speler wilt zijn, is lidar essentieel”, zegt Urtasun, verwijzend naar het automatiseringsniveau waarbij een auto geen menselijke aandacht nodig heeft om veilig te rijden. De camera’s kunnen goed laten zien wat de auto ziet, maar ze zijn niet zo goed in het meten van afstanden of het begrijpen van de geometrie van de omgeving van de auto, zegt ze.