So sánh chiến lược tự lái: Waymo và Tesla đi theo hai con đường khác biệt

Được thiết kế và lắp ráp tại Mỹ, Matic là robot đầu tiên trên thế giới được chế tạo để thấu hiểu bạn. Tính năng mới của nó, Matic Cues, cho phép bạn tương tác với robot giống như cách bạn tương tác với bất kỳ ai khác.

Chỉ tay và ra lệnh. Hãy nói “Hey Matic, dọn chỗ này” trong khi chỉ vào một khu vực bừa bộn, và Matic sẽ biết chính xác cần phải dọn dẹp những gì.

Hiểu hơn 70 ngôn ngữ. Hãy yêu cầu Matic dọn dẹp nhà bếp, đi theo bạn hoặc đi đến bồn rửa, bằng bất kỳ ngôn ngữ nào bạn sử dụng.

Không cần dùng ứng dụng. Bất kỳ ai trong nhà cũng có thể sử dụng Matic, không chỉ những người lớn am hiểu công nghệ mà cả trẻ em và người già.

Mọi robot gia đình trước đây đều cần một giao diện điều khiển. Matic chỉ cần bạn trò chuyện với nó. Hãy thử dùng Matic với chính sách hoàn tiền trong 6 tháng.

Sở hữu Matic

Một phương tiện di chuyển với tốc độ 40 dặm/giờ sẽ đi được khoảng 60 feet mỗi giây. Trong một giây đó, phần mềm phải xác định những gì ở gần về mặt vật lý, phân loại từng vật thể, ước tính hướng di chuyển của các vật thể đó, chọn lộ trình và đưa ra các lệnh đánh lái và phanh.

Việc thực hiện tất cả những điều này một cách nhanh chóng là vấn đề đã được giải quyết phần lớn. Tuy nhiên, thực hiện điều đó một cách chính xác trong các tình huống giao thông khác biệt và khó đoán vẫn là một bài toán mở. Điều này là do giao thông thực tế tạo ra nhiều kịch bản riêng biệt hơn mức bất kỳ đội ngũ nào có thể xác định trước. Ví dụ, Waymo mô tả một trường hợp như vậy, nơi một phương tiện đang bốc cháy trên đường phía trước trong khi các làn đường vẫn thông thoáng [3]. Hình học của kịch bản như vậy có thể cho phép lái xe đi thẳng qua. Tuy nhiên, ý nghĩa thực tế của tình huống đó đòi hỏi phải quay đầu hoặc thực hiện hành động phòng ngừa.

Waymo và Tesla, hai công ty đang đầu tư vào xe tự lái, đã cố gắng đưa ra các loại câu trả lời khác nhau cho những câu hỏi này.

Để tham khảo, Waymo báo cáo 220,6 triệu dặm di chuyển không có người lái tính đến tháng 3 năm 2026. Đây là những quãng đường được thực hiện mà không có người ngồi ở ghế lái, trên năm khu vực đô thị [5]. Mặt khác, Tesla báo cáo có hơn ba triệu phương tiện tại Hoa Kỳ di chuyển hơn 30 tỷ dặm một năm, với 1,28 triệu gói đăng ký Full Self-Driving đang hoạt động trong quý đầu tiên của năm 2026 [10]. Hầu hết tất cả số dặm đó của Tesla đều liên quan đến một tài xế vẫn chịu trách nhiệm về phương tiện. Dịch vụ không người lái của Tesla tách biệt và có quy mô nhỏ hơn nhiều, hoạt động không cần giám sát viên an toàn tại Austin, Dallas và Houston, trong khi dịch vụ tại Bay Area vẫn sử dụng tài xế an toàn [10].

Cả hai cách tiếp cận đều phụ thuộc rất nhiều vào học máy (machine learning). Nhưng chúng khác nhau ở mức độ những gì được cố định trước. Trong bài viết này, chúng ta sẽ xem xét cả hai cách tiếp cận trong khi cố gắng trả lời các câu hỏi sau:

Mỗi hệ thống phát hiện những gì ở gần về mặt vật lý như thế nào?

Mỗi hệ thống xây dựng những gì từ dữ liệu đó, và tại sao một bên lại giữ cho kết quả có thể đọc được?

Mỗi hệ thống ước tính những người tham gia giao thông khác sẽ làm gì như thế nào?

Lộ trình được chọn như thế nào, và điều gì xác minh lộ trình đó trước khi phương tiện thực hiện?

Mỗi bên công bố bằng chứng an toàn gì, và tại sao các con số lại đo lường những thứ khác nhau?

Kiến thức bên trong mỗi hệ thống đến từ đâu?

Tuyên bố miễn trừ trách nhiệm: Bài viết này dựa trên các chi tiết được chia sẻ công khai từ nhiều nguồn khác nhau. Tài liệu tham khảo ở cuối bài. Vui lòng bình luận nếu bạn nhận thấy bất kỳ điểm không chính xác nào.

Camera ghi lại cường độ ánh sáng trên một lưới các điểm ảnh (pixel). Khoảng cách không xuất hiện ở bất kỳ đâu trong lưới đó, vì vậy độ sâu phải được tính toán từ sự sắp xếp của các điểm ảnh, nhưng phép tính đó có thể sai. Một vật thể lớn ở xa và một vật thể nhỏ ở gần có thể chiếm cùng một vùng trong hình ảnh.

Lidar đưa ra câu trả lời tương tự bằng một con đường khác. Thiết bị phát ra các xung laser, đo thời gian mỗi xung quay trở lại sau khi phản xạ khỏi bề mặt và chuyển đổi khoảng thời gian đó thành khoảng cách. Chúng ta có thể coi đầu ra của quá trình này là một đám mây điểm (point cloud), là một tập hợp các điểm đo được trong không gian ba chiều mô tả các bề mặt xung quanh phương tiện [1]. Khoảng cách không còn là ước tính mà là một phép đo.

Hệ thống thế hệ thứ sáu của Waymo, bắt đầu hoạt động hoàn toàn tự động vào tháng 2 năm 2026, mang theo 13 camera, bốn thiết bị lidar, sáu thiết bị radar và một bộ thu âm thanh bên ngoài được sử dụng để phát hiện còi báo động và các điểm giao cắt đường sắt [2]. Phạm vi bao phủ chồng lấp theo mọi hướng và mở rộng đến 500 mét. Sự chồng lấp này nhằm hỗ trợ các tình huống khi mưa, bụi bẩn trên đường hoặc băng giá hạn chế khả năng thu nhận của camera. Lidar và radar duy trì khả năng nhận thức trong các kịch bản như vậy [2].

Các phương tiện của Tesla chủ yếu dựa vào camera. Thay vào đó, Tesla dựa hoàn toàn vào cách tiếp cận “tầm nhìn thuần túy” (pure vision) sử dụng camera ngoại thất và trí tuệ nhân tạo để điều hướng. Ví dụ, tài liệu của Tesla mô tả Model 3 và Model Y chạy Tesla Vision dựa trên camera, không có radar, sử dụng camera và xử lý mạng thần kinh [9].

Xem sơ đồ dưới đây:

Có một điểm khác ở đây đòi hỏi sự chú ý của chúng ta. Các phương tiện Jaguar I-PACE thế hệ thứ năm của Waymo mang theo 29 camera [1]. Hệ thống thế hệ thứ sáu mang theo 13 camera, điều mà Waymo cho là nhờ vào bộ cảm biến hình ảnh 17 megapixel bao phủ cùng một khu vực với số lượng camera ít hơn một nửa [2]. Nói cách khác, Waymo cũng đang giảm tổng số lượng cảm biến trong khi vẫn tiếp tục mô tả tính dự phòng là yếu tố thiết yếu.

Sự đánh đổi ở đây là phép đo trực tiếp tốn kém tiền bạc trong khi thêm vào một thành phần có thể bị lỗi đáng kể. Tuy nhiên, một giá trị suy luận có thể không tốn nhiều chi phí, nhưng nó cũng có thể sai.

Phải có thứ gì đó chuyển đổi hàng triệu điểm ảnh và điểm dữ liệu thành một mô tả mà hệ thống có thể hiểu và vận hành. Bản chất và hình thức của mô tả đó là một trong những quyết định kiến trúc quan trọng nhất cho một thiết lập lái xe tự động.

Waymo đặt Waymo Foundation Model làm trung tâm, được xây dựng từ hai thành phần:

Sensor Fusion Encoder (Bộ mã hóa hợp nhất cảm biến): Nó hợp nhất dữ liệu từ camera, lidar và radar theo thời gian và xuất ra các đối tượng, thuộc tính ngữ nghĩa và các nhúng (embeddings). Đây là những bản tóm tắt số nhỏ gọn mà các thành phần hạ nguồn tiêu thụ.

A Driving VLM (Mô hình ngôn ngữ thị giác cho lái xe): Được huấn luyện bằng Gemini và tinh chỉnh trên dữ liệu lái xe của Waymo, chúng bao quát các tình huống hiếm gặp đòi hỏi kiến thức nền tảng về thế giới, chẳng hạn như ví dụ về phương tiện đang cháy đã đề cập trước đó.

Cả hai đều cung cấp dữ liệu cho một World Decoder (Bộ giải mã thế giới) giúp dự báo hành vi của những người tham gia giao thông khác, tạo ra bản đồ độ phân giải cao, tạo ra các quỹ đạo ứng viên và phát ra các tín hiệu được sử dụng để xác minh chúng.

Hệ thống duy trì các biểu diễn cấu trúc nhỏ gọn, nghĩa là các danh sách rõ ràng về đối tượng, thuộc tính ngữ nghĩa của chúng và các yếu tố đồ thị đường bộ mô tả làn đường và kết nối. Đội ngũ kỹ thuật của Waymo đưa ra ba lý do cho thiết lập như vậy:

Việc xác thực tính đúng đắn và an toàn có thể chạy tại thời điểm suy luận (inference time), trong khi phương tiện đang di chuyển.

Mô phỏng chạy hiệu quả ở quy mô lớn, vì trạng thái thế giới nhỏ gọn rất rẻ để phát lại và sửa đổi.

Phản hồi đào tạo trở nên có thể kiểm chứng, vì một thành phần đánh giá chất lượng lái xe có thứ gì đó cụ thể để đo lường.

Thiết kế này mang lại những lợi ích đáng kể so với các cách tiếp cận đầu cuối (end-to-end) thuần túy hoặc các cách tiếp cận theo mô-đun [3].