Waymo explica su enfoque multimodal de la autonomía [VIDEO]

El campo de la conducción autónoma está dividido sobre cómo los vehículos deberían percibir su entorno. Tesla está impulsando una arquitectura basada únicamente en visión para el sistema Full Self-Driving de consumo y su plataforma comercial de robotaxis, mientras que Waymo, de Alphabet, apuesta por un paquete multimodal que combina cámaras, radar y LiDAR.

En la Startup School 2026 de Y Combinator, el codirector ejecutivo de Waymo, Dmitri Dolgov, compartió las lecciones aprendidas al llevar los robotaxis sin conductor de la empresa desde una demostración hasta un producto comercial, explicando que Waymo fusiona datos de múltiples modalidades de detección física para abordar la IA física en el tráfico real.

Fusión de cámaras, radar y LiDAR para la redundancia

El sistema de Waymo está construido en torno a un conjunto de sensores multimodales. En lugar de depender exclusivamente de cámaras ópticas, sus vehículos combinan cámaras de alta resolución, LiDAR activo y radar en un modelo de percepción unificado.

Dolgov señaló que las cámaras ofrecen colores ricos y alta resolución, pero pueden tener dificultades con el deslumbramiento intenso, la luz solar directa, la oscuridad total o condiciones climáticas adversas. El LiDAR activo proporciona mediciones estructurales 3D directas independientemente de la iluminación ambiental, y el radar penetra la niebla densa, la lluvia y la nieve mientras utiliza el efecto Doppler para medir la velocidad de los objetos.

Según Waymo, un sistema de una sola modalidad conduce a una curva de seguridad que se estanca demasiado pronto cuando se busca una conducción sobrehumana. El uso de múltiples tipos de sensores distintos crea una cobertura superpuesta que protege contra fallos en casos extremos, como los escombros que bloquean parcialmente la lente de una cámara.

Waymo frente a Tesla: dos filosofías divergentes

El enfoque multimodal de Waymo contrasta con la estrategia de solo cámara de Tesla. Waymo sostiene que un sistema basado únicamente en cámaras puede escalar más fácilmente al principio, pero que eventualmente alcanza un techo de rendimiento, mientras que Tesla sigue comprometida con una única modalidad de detección y mantiene que puede resolver casos extremos entrenándose con suficientes datos del mundo real.

Es bien sabido que Tesla prescindió del radar y el LiDAR para apostarlo todo a la visión, afirmando que, dado que los conductores humanos navegan usando dos ojos y un cerebro, los vehículos autónomos deberían operar de manera idéntica usando cámaras y redes neuronales. En lugar de sensores activos, Tesla modela el mundo físico solo con visión, utilizando cámaras para reconstruir el espacio 3D y procesando miles de millones de fotogramas de video para abordar los casos extremos poco frecuentes.

Esta división arquitectónica refleja diferentes modelos de negocio. El sistema de solo visión de Tesla mantiene bajos los costos de hardware, lo que permite que las funciones de asistencia al conductor se incluyan en millones de vehículos de clientes en todo el mundo. Por el contrario, el conjunto multimodal de Waymo añade hardware costoso, pero se alinea más fácilmente con los marcos regulatorios actuales gracias a sus redundancias y métricas de seguridad demostradas.

Aunque los humanos pueden conducir de forma segura utilizando solo la percepción visual, añadir radar activo y LiDAR 3D puede introducir márgenes de seguridad adicionales que podrían permitir que los sistemas autónomos reaccionen más rápido que los humanos y potencialmente conduzcan a mayor velocidad de la que las personas pueden gestionar de forma segura. A medida que ambas empresas expanden sus operaciones sin conductor sin supervisión, las métricas de intervención en el mundo real indicarán qué camino técnico alcanza primero el despliegue masivo de flotas. Puedes ver la charla completa de Dolgov a continuación: