Een kleine startup, HyprLabs, verlegt de grenzen van softwareontwikkeling voor autonome voertuigen (AV) door systemen snel te trainen met behulp van een nieuwe aanpak. De afgelopen anderhalf jaar heeft het bedrijf zijn technologie getest in aangepaste Tesla Model 3’s in San Francisco, met als doel te bepalen hoe snel een bedrijf vandaag de dag betrouwbare AV-software kan bouwen.
De uitdaging van de ontwikkeling van autonome voertuigen
De AV-industrie heeft lange tijd te maken gehad met een ‘dal van desillusie’, waarin ambitieuze tijdlijnen niet werden gehaald en de vooruitgang stagneerde. De vooruitgang op het gebied van machinaal leren vermindert nu echter de kosten en de menselijke arbeid die nodig zijn voor het trainen van zelfrijdende systemen. Desondanks blijft het realiseren van echt veilige en betrouwbare automatisering een belangrijke hindernis. Tim Kentley-Klay, medeoprichter van HyprLabs, erkent dit: “Ik kan je niet met de hand op het hart zeggen dat dit zal werken, maar wat we hebben opgebouwd is een heel solide signaal.”
HyprLabs’ aanpak: Runtime leren
HyprLabs, geleid door Zoox-medeoprichter Tim Kentley-Klay, hanteert een unieke aanpak. De software van het bedrijf, genaamd Hyprdrive, heeft tot doel AV-training te stroomlijnen. In tegenstelling tot traditionele methoden die afhankelijk zijn van enorme datasets of dure sensorsuites, maakt HyprLabs gebruik van een ‘runtime learning’-techniek.
Het systeem maakt gebruik van een transformatormodel en leert in realtime, begeleid door menselijke toezichthouders. Alleen nieuwe en relevante gegevens worden ter verfijning teruggestuurd naar het bedrijf, waardoor de rekenlast wordt verminderd. Tot nu toe hebben de twee voertuigen van de startup slechts 4.000 uur aan rijgegevens verzameld (ongeveer 100.000 kilometer), waarvan slechts 1.600 uur zijn gebruikt voor training – aanzienlijk minder dan concurrenten als Waymo, die meer dan 100 miljoen autonome kilometers hebben geregistreerd.
De evolutie van AV-training
Jarenlang was de AV-industrie verdeeld tussen systemen met alleen camera’s (zoals Tesla) en systemen die een combinatie van sensoren gebruiken (zoals Waymo en Cruise). Benaderingen met alleen camera’s waren bedoeld om geld te besparen, maar waren afhankelijk van enorme hoeveelheden gegevens van niet-volledig autonome voertuigen. Multisensorsystemen investeerden in duurdere hardware, maar gebruikten kleinere datasets met uitgebreide menselijke labels. HyprLabs streeft ernaar de efficiëntie van cameragebaseerde systemen te combineren met de precisie van gelabelde gegevens, waardoor leren op het werk met minimale tussenkomst mogelijk is.
Toekomstplannen: verder dan auto’s
Hoewel HyprLabs nog niet klaar is voor commerciële implementatie, is het van plan zijn software in licentie te geven aan andere roboticabedrijven. Het bedrijf ontwikkelt ook zijn eigen robot – door Kentley-Klay beschreven als ‘het liefdeskind van R2-D2 en Sonic the Hedgehog’ – die volgend jaar op de markt zal komen. Het langetermijndoel is om een nieuwe categorie robots te creëren die momenteel niet bestaat.
Het succes van HyprLabs zal afhangen van het opschalen van de technologie en het garanderen van veiligheid en betrouwbaarheid. De snelle trainingsaanpak van de startup heeft het potentieel om de AV-industrie te ontwrichten, maar implementatie in de echte wereld vereist rigoureuze tests en validatie.
