Waabi laat zelfrijdende vrachtwagen nieuwe route rijden zonder extra training
Een autonome vrachtwagen die een volledig nieuwe route kan afleggen zonder die weg vooraf specifiek te trainen: dat is precies wat Waabi met zijn Waabi Driver wil aantonen. Het zelfrijdende systeem reed voor het eerst de belangrijke corridor tussen Dallas en San Antonio in Texas, zonder nieuwe praktijkdata, zonder aanvullende simulatiedata en zonder technische aanpassingen voor het traject.
Daarmee probeert Waabi een van de moeilijkste vraagstukken rond autonoom vervoer aan te pakken: hoe kan een zelfrijdend systeem snel worden ingezet op nieuwe wegen zonder telkens maanden aan nieuwe data en training nodig te hebben?
Van Dallas naar San Antonio zonder voorbereiding
De corridor tussen Dallas en San Antonio loopt grotendeels langs de I-35 en behoort tot de belangrijkste transportassen van Texas. Voor autonome vrachtwagens is het bovendien een interessante testomgeving, omdat het systeem er met uiteenlopende verkeerssituaties en een nieuwe geografische omgeving wordt geconfronteerd.
Opvallend is vooral wat Waabi naar eigen zeggen níét deed. Het bedrijf verzamelde vooraf geen nieuwe real-world data voor de route, creëerde geen specifieke simulatiedataset en voerde evenmin fine-tuning of aanvullende engineering uit om de Waabi Driver klaar te stomen voor het traject.
Het systeem moest met andere woorden kunnen voortbouwen op wat het eerder al had geleerd.
Zero-shot rijden als volgende stap
In de wereld van generatieve AI wordt vaak gesproken over ‘zero-shot’ wanneer een model een nieuwe opdracht kan uitvoeren zonder daarvoor specifiek getraind te zijn. Waabi past een vergelijkbaar principe toe op autonoom rijden.
De Waabi Driver werd geconfronteerd met een route die hij niet eerder had gezien en moest zijn bestaande intelligentie gebruiken om verkeerssituaties te interpreteren en passende beslissingen te nemen.
Volgens Waabi gebeurde de rit volledig autonoom, veilig en vloeiend, zonder disengagements waarbij een menselijke bestuurder het rijden moest overnemen. Dat is belangrijk omdat autonome voertuigen traditioneel sterk afhankelijk zijn van geografische uitbreiding. Een nieuwe stad, snelweg of transportcorridor kan extra dataverzameling, simulaties, validatie en technische aanpassingen vereisen. Dat proces kan maanden of zelfs jaren duren.
Generaliseren in plaats van iedere weg opnieuw leren
Waabi probeert dat model fundamenteel te veranderen. In plaats van een autonoom systeem iedere nieuwe route afzonderlijk te leren, moet de onderliggende AI kunnen generaliseren.
Het verschil lijkt klein, maar kan commercieel enorm zijn.
Wanneer een autonoom vrachtwagensysteem alleen kan rijden op routes waarvoor het uitgebreid werd voorbereid, groeit het netwerk stap voor stap. Wanneer dezelfde AI daarentegen kennis uit eerdere ervaringen kan toepassen op nieuwe situaties, kan uitbreiding potentieel veel sneller verlopen.
De rit tussen Dallas en San Antonio fungeert daardoor niet alleen als uitbreiding van Waabi's activiteiten in Texas. Het is vooral een demonstratie van de architectuur achter het systeem.
Van autonome route naar autonoom netwerk
Voor de transportsector ligt precies daar een mogelijke doorbraak. Vrachtvervoer bestaat uit enorme netwerken van snelwegen, distributiecentra en logistieke corridors. Een autonoom systeem dat voor iedere nieuwe verbinding een lang voorbereidingstraject nodig heeft, blijft moeilijk op grote schaal inzetbaar.
Een systeem dat nieuwe routes vrijwel onmiddellijk kan begrijpen, verandert die vergelijking.
Waabi presenteert de rit op de I-35 daarom als bewijs dat zijn technologie niet alleen specifieke wegen kan leren, maar ook onbekende omgevingen kan interpreteren op basis van eerder opgebouwde kennis. De echte test voor autonome vrachtwagens verschuift daarmee. Het gaat niet langer alleen om de vraag of een voertuig zelfstandig van punt A naar punt B kan rijden. De belangrijkere vraag wordt hoe snel dezelfde intelligentie daarna ook punt C, D en E kan bereiken.
Als generalisatie betrouwbaar op steeds grotere schaal kan worden aangetoond, kan dat uiteindelijk bepalen hoe snel autonome vrachtwagens van afzonderlijke proefroutes evolueren naar complete transportnetwerken.
