Tesla camera-only perception vs sensor fusion: trade-off thật sự là gì?

Mở bài

Trong autonomous driving, tranh luận “camera-only hay sensor fusion” thường bị nói rất cực đoan.

Một bên nói camera là đủ vì con người cũng lái xe bằng mắt. Bên khác nói xe tự hành nên dùng LiDAR/radar/camera để tăng độ an toàn. Nhưng nếu nhìn kỹ hơn, vấn đề không chỉ là chọn sensor nào. Vấn đề là perception system có hiểu đủ môi trường xung quanh để ra quyết định an toàn không.

Bài này không cố khẳng định một hướng là đúng tuyệt đối. Tôi chỉ ghi lại trade-off từ các nguồn công khai và survey research.

1. Tesla nói gì từ nguồn chính thức?

Trang Tesla AI nói họ apply deep neural networks cho các bài toán từ perception đến control. Tesla cũng nói per-camera networks phân tích raw images để thực hiện semantic segmentation, object detection và monocular depth estimation.

Trang Tesla FSD Support cũng nhắc FSD (Supervised) dùng onboard cameras với 360-degree visibility, nhưng nhấn mạnh rõ: FSD (Supervised) cần active driver supervision và không làm xe trở thành autonomous.

Đây là điểm rất quan trọng khi viết: không được gọi FSD Supervised là xe tự hành hoàn toàn.

2. Sensor fusion là gì?

Sensor fusion kết hợp nhiều nguồn dữ liệu, ví dụ camera, radar, LiDAR.

Mỗi sensor có điểm mạnh/yếu:

Camera giàu thông tin semantic, đọc biển báo, màu sắc, lane marking.
Radar mạnh trong đo vận tốc/khoảng cách, tốt hơn trong một số điều kiện thời tiết.
LiDAR cho hình học 3D chính xác hơn, nhưng đắt và có trade-off riêng.

Các survey về multi-modal fusion nhấn mạnh fusion là bài toán khó vì dữ liệu noisy, misalignment giữa sensor, timing khác nhau và chi phí tính toán.

3. Camera-only có lợi gì?

Camera-only có một số lợi thế:

hardware đơn giản hơn;
chi phí thấp hơn;
dữ liệu hình ảnh giàu semantic;
nếu scale fleet lớn, có thể thu thập nhiều video data.

Nhưng camera cũng có thách thức:

depth estimation từ monocular image khó;
ánh sáng, mưa, sương, glare có thể ảnh hưởng;
vật thể lạ hoặc bị che khuất có thể gây lỗi;
cần validation rất nghiêm ngặt.

4. Sensor fusion có lợi gì?

Sensor fusion có thể tăng robustness vì các sensor bù trừ nhau. Ví dụ radar-camera fusion có thể hỗ trợ object detection trong điều kiện camera khó nhìn hoặc khi cần thông tin vận tốc/khoảng cách.

Nhưng fusion cũng làm hệ thống phức tạp hơn:

đồng bộ timestamp;
calibrate sensor;
xử lý sensor failure;
chi phí hardware;
pipeline perception khó debug hơn.

5. Kết luận

Trade-off thật sự không phải “camera hay LiDAR ai thắng”. Trade-off là:

Cost vs Robustness
Simplicity vs Redundancy
Scale data vs Sensor diversity
End-to-end learning vs Debuggability
Product ambition vs Safety validation

Với project nhỏ như BFMC, bài học thực tế là: hãy ghi rõ mình dùng sensor nào, giới hạn là gì, edge cases là gì, và hệ thống fallback ra sao. Nói được giới hạn của hệ thống đôi khi quan trọng hơn khoe model detect tốt.

Nguồn tham khảo

Tesla AI & Robotics: https://www.tesla.com/AI
Tesla Full Self-Driving (Supervised) Support: https://www.tesla.com/support/fsd
Multi-modal Sensor Fusion for Auto Driving Perception: https://arxiv.org/html/2202.02703v3
Radar-Camera Fusion for Object Detection and Semantic Segmentation in Autonomous Driving: https://arxiv.org/abs/2304.10410
A Survey on Occupancy Perception for Autonomous Driving: https://arxiv.org/html/2405.05173v2