Autonómne vozidlo je taký automobil, ktorý dokáže jazdiť bez zásahu vodiča. Nepotrebuje, aby ste držali volant alebo sledovali vozovku, pretože sa orientuje pomocou senzorov a umelej inteligencie. Takéto vozidlá by mohli priniesť menej nehôd, plynulejšiu premávku a pohodlnejšiu dopravu. Aby to fungovalo, automobil musí napodobniť tri kľúčové schopnosti človeka – vidieť okolie, chápať súvislosti a rýchlo sa rozhodovať. Pochopiteľne, mal by ich zvládnuť spoľahlivejšie než ľudský vodič. O všetko sa stará umelá inteligencia bežiaca na špecializovanom hardvéri v automobile. Nižšie rozoberáme celý zásobník technológií od senzorov po riadenie kolies, vysvetľujeme učiace procesy aj bezpečnostnú validáciu a nakoniec zasadíme technológiu do dnešnej reality značiek a služieb.
Moderná umelá inteligencia dokáže nielen rozpoznať a chápať dopravnú scénu vďaka senzorovej fúzii, ale aj presne lokalizovať vozidlo, predvídať správanie účastníkov cestnej premávky, plánovať bezpečný pohyb a spoľahlivo ovládať všetky akčné prvky. Jednotlivé fázy práce AI v autonómnych vozidlách budú detailnejšie rozobraté v nasledujúcich piatich podkapitolách.
Autonómne vozidlo má viacero zmyslov, ktoré sa navzájom dopĺňajú. Kamery poskytujú detailný obraz, lidar presne meria vzdialenosť a tvar objektov, radar je vhodný na sledovanie pohybu počas dažďa alebo v noci a ultrazvuk pomáha pri nízkych rýchlostiach a krátkych vzdialenostiach. Nie všetky značky používajú rovnakú kombináciu senzorov, no princíp je vždy podobný. Každý senzor má svoje slabiny aj silné stránky, preto sa ich dáta spájajú do jednotného modelu prostredia. Fúzia prebieha vo viacerých vrstvách: od základného zarovnania a kalibrácie cez sledovanie objektov a ich trajektórií až po pochopenie celej scény vrátane jazdných pruhov, priechodov a ďalších pravidiel cestnej premávky.
Nad dátami bežia neurónové siete na detekciu objektov, segmentáciu obrazu a rozpoznávanie dopravných prvkov. Súčasné modely využívajú multimodálne architektúry, ktoré dokážu spojiť obraz, mračná bodov z lidaru aj radarové dáta do jedného reprezentovaného priestoru. Výsledkom je dynamická mapa okolia s presnými polohami a rýchlosťami účastníkov cestnej premávky.
Aby vozidlo vedelo, kde presne je, spája údaje z GPS, inerciálnej jednotky a vizuálnej alebo lidarovej odometrie (metódy, ktorá podľa zmien v obraze či 3D dátach z lidaru vypočítava, o koľko sa vozidlo posunulo). V praxi sa používajú dva prístupy: miestne mapovanie v reálnom čase, známe ako SLAM (simultánna lokalizácia a mapovanie), a využívanie vysoko detailných máp s presne popísanými jazdnými pruhmi, križovatkami, semaformi či ostrovčekmi. V hustom meste sa obe metódy kombinujú. Mapy poskytujú kontext a stabilitu, zatiaľ čo lokálna rekonštrukcia pomáha reagovať na aktuálne zmeny prostredia.
Rozpoznať vozidlá alebo chodcov nestačí. Systém musí odhadnúť, čo urobia o sekundu, dve či päť. Na to slúžia prediktory trajektórií, ktoré pracujú s neistotou a generujú viacero možných budúcností. Pri chodcoch hodnotia smer hlavy, rýchlosť kroku a polohu voči priechodu. V prípade vozidiel zohľadňujú uhol kolies, brzdové svetlá a pravidlá križovatky. Modely AI často využívajú grafové siete, ktoré dokážu zachytiť interakcie medzi účastníkmi. Predikcia sa aktualizuje mnohokrát za sekundu a vždy poskytuje niekoľko realistických scenárov s pravdepodobnosťami.
Na vstupe má plánovač jednotnú reprezentáciu scény a súbor predikcií. Jeho úlohou je vybrať bezpečný a plynulý manéver. Krátkodobé plánovanie určuje trajektóriu počas desiatok metrov, dlhodobé volí jazdné pruhy, odbočenia a stratégiu. Používajú sa optimalizačné metódy, ktoré minimalizujú riziko zrážky, nepohodlie posádky a porušenie pravidiel. Súčasťou je reaktívna vrstva na okamžitú reakciu na náhle prekážky. Keď niekto vybehne na vozovku, táto vrstva skráti brzdnú trajektóriu bez ohľadu na komfort.
Finálna trajektória vozidla sa prevádza na príkazy pre volant, plyn a brzdy. Riadiace slučky bežia v milisekundových intervaloch, aby systém udržal vozidlo presne v zvolenom koridore. Veľkú úlohu zohráva redundancia, teda zálohovanie kritických systémov. Každý dôležitý prvok má vlastnú poistku. Napájanie býva zdvojené, aby vozidlo nestratilo kontrolu pri poruche batérie. Výpočtové jednotky často pracujú vo dvojici a navzájom sa kontrolujú. Brzdový systém má vždy núdzový variant, ktorý je možné aktivovať, ak hlavná časť zlyhá. Vďaka tomu je pravdepodobnosť úplného výpadku minimálna a vozidlo sa dokáže bezpečne zastaviť aj pri závažnej poruche.
Základ tvorí tzv. „učenie s učiteľom“, teda tréning AI na obrovských dátových súboroch, kde má každá snímka jasne označené objekty, jazdné pruhy a značky. Sieť sa učí rozpoznávať vzory podľa týchto popisov a časom dokáže identifikovať aj nové situácie. Dopĺňa ho „učenie bez učiteľa“, ktoré nepotrebuje anotácie a zlepšuje schopnosť systému vytvárať si vlastné reprezentácie prostredia. Pre rozhodovacie stratégie sa využíva posilňované učenie, pri ktorom sa model skúša správať v simulácii a odmeňuje sa za správne rozhodnutia, napríklad za to, že sa vyhne kolízii aj za cenu menšieho komfortu posádky.
Kľúčová je kvalita a rozmanitosť dát. Umelá inteligencia musí prejsť dennými aj nočnými scénami, rôznymi ročnými obdobiami, štýlmi jazdy i regionálnymi odlišnosťami. Reálne testy sú nevyhnutné, no nestačia. Najrizikovejšie situácie sa preto trénujú v simulátore. Pokročilé nástroje dokážu z reálnych jázd rekonštruovať dopravné prúdy a umelo zosilňovať kritické momenty. Bezpečnostná validácia často využíva tzv. režim čiernej skrinky. Algoritmy mu predkladajú extrémne scenáre a hľadajú, pri akých podmienkach systém zlyhá. Vďaka tomu sa dajú slabiny odhaliť ešte v simulácii a doplniť o dodatočné ochranné mechanizmy.
Vývoj tak získava rytmus rýchlych cyklov: nazbierať dáta, natrénovať model, nasadiť, vyhodnotiť výsledky a celý proces zopakovať.
Učenie umelej inteligencie sa nekončí nasadením do prevádzky. Modely sa musia neustále zlepšovať, podobne ako keď váš telefón dostáva aktualizácie systému. Najprv sa nová verzia otestuje na malej vzorke dát, potom v niekoľkých testovacích vozidlách a až nakoniec sa rozšíri do celej flotily. Všetky autá navyše pri jazde anonymne zbierajú dáta, ktoré sa využívajú na ďalšie učenie. Výhodou je, že sa každé vozidlo môže učiť nielen zo svojich chýb, ale aj zo skúseností celej flotily.
Aby to celé mohlo fungovať, musí mať vozidlo výpočtový výkon na úrovni dátového centra. Mozog samoriadiaceho auta netvorí len softvér, ale aj špeciálne počítače priamo vo vozidle. Tie spracovávajú prúdy dát z kamier, radarov a lidaru počas zlomku sekundy a prevádzajú ich na rozhodnutia. Používajú sa na to čipy navrhnuté špeciálne pre umelú inteligenciu, vybavené výkonnými akcelerátormi aj rýchlou pamäťou. Len kamery a lidar môžu generovať stovky megabajtov až niekoľko gigabajtov za sekundu, preto je kľúčové, aby sa väčšina výpočtov odohrávala priamo v automobile. Pripojenie k internetu slúži najmä na aktualizácie, zdieľanie skúseností medzi vozidlami alebo sťahovanie máp, no samotné riadenie musí zvládnuť lokálny systém bez závislosti od cloudu.
Autonómne riadenie má šesť úrovní. Začína nulovou, keď všetko riadi človek, a končí piatou, keď vozidlo zvládne jazdu úplne samo. V bežnej prevádzke sa zatiaľ používajú najmä prvé dve úrovne. Patria sem asistenti ako adaptívny tempomat alebo systém na udržiavanie jazdného pruhu (tzv. ADAS, teda pokročilé asistenčné systémy vodiča). Úroveň tri, keď vozidlo dočasne preberá riadenie a vodič len dohliada, je zatiaľ vzácna a obmedzená na špecifické situácie. Typicky sa využíva pri pomalej jazde v kolóne na diaľnici.
| Úroveň | Názov | Popis |
|---|---|---|
| 0 | žiadna automatizácia | vodič ovláda vozidlo úplne bez asistencie systému |
| 1 | asistencia vodiča | systém pomáha s riadením alebo so zrýchľovaním či brzdením, ale nie s oboma zároveň; vodič má vozidlo neustále pod kontrolou |
| 2 | čiastočná automatizácia | vozidlo samo ovláda riadenie aj rýchlosť, no vodič musí dohliadať a byť pripravený zasiahnuť |
| 3 | podmienená automatizácia | vozidlo zvládne niektoré situácie úplne samo, no vyžaduje zásah vodiča, ak si nevie rady |
| 4 | vysoká automatizácia | vozidlo zvláda väčšinu jazdných situácií samo, ale len vo vymedzených oblastiach a podmienkach |
| 5 | úplná automatizácia | vozidlo nepotrebuje vodiča vôbec, zvláda akúkoľvek prevádzku a podmienky bez ľudského zásahu |
Vyššie úrovne štyri a päť dnes fungujú iba v obmedzených režimoch. Príkladom sú takzvané robotaxi – vozidlá bez vodiča, ktoré prepravujú cestujúcich na zavolanie (napr. cez mobilnú aplikáciu), podobne ako ride-hailing služby typu Uber alebo Bolt. V prevádzke sú napríklad v amerických mestách ako San Francisco či Phoenix, no ich pohyb je zatiaľ obmedzený na presne vymedzené oblasti a podmienky. Systém sa spolieha na veľmi podrobné mapy, prísne testovanie a kontinuálny dohľad. Plne autonómna doprava pre verejnosť mimo týchto obmedzení zatiaľ nie je realitou.
Waymo zo skupiny Alphabet (materská spoločnosť Google) prevádzkuje platenú službu robotaxi vo viacerých amerických mestách, napríklad vo Phoenixe, San Franciscu, Los Angeles, Austine a Atlante. Vozový park má vyše dvetisíc autonómnych automobilov a týždenne uskutoční štvrť milióna jázd. Tesla spustila pilotnú prevádzku robotaxi v Austine v júni 2025. Vozidlá zatiaľ jazdia len pre obmedzený počet používateľov a stále s ľudským dozorom.
Spoločnosť Cruise obnovila prevádzku na jar 2024, konkrétne vo Phoenixe, Dallase a Houstone. Zatiaľ funguje pod dohľadom a s obmedzeniami, ktoré zaviedla po skorších bezpečnostných problémoch. Na vývoji technológií autonómie pracujú aj európske značky ako Mercedes-Benz či BMW, ktoré postupne uvádzajú funkcie úrovne tri.
V Číne sa testujú služby na úrovni štyri predovšetkým vo veľkých mestách ako Peking či Šen-čen. V praxi však väčšina prevádzok prebieha s dozorom alebo operátorom na diaľku.
Všetko to znie sľubne, no ako to býva, umelá inteligencia v autonómnych vozidlách má aj svoje „temnejšie“ stránky. Systémy majú slabiny v extrémnych podmienkach a pri scénach, ktoré model nevidel dostatočne často. Patrí sem zhoršená viditeľnosť, nečakané uzávierky či niektoré vizuálne javy. Známym problémom sú blikajúce majáky záchranných zložiek, ktoré pri niektorých kamerových zostavách vyvolali mylné vyhodnotenie situácie a viedli k nárazom do zásahových vozidiel (konkrétne pri značke Tesla). Bezpečnosť preto stojí na viacerých vrstvách: kvalitné vnímanie, konzervatívne plánovanie, záložné režimy a jasné rozhranie k človeku tam, kde to predpisy vyžadujú. Dôležité je aj testovanie na státisícoch simulovaných scén a priebežné zlepšovanie po nasadení.
Kam teda AI v autách smeruje? Krátkodobo rastie úroveň inteligencie ADAS asistentov v bežných vozidlách a rozšíri sa úroveň 3 v jasne definovaných scenároch. Robotaxi budú pribúdať v mestách, kde je možné prísne riadiť podmienky prevádzky a udržiavať aktuálne mapy. Logistika a uzavreté areály uvidia nasadenie skôr než plná sloboda v ľubovoľnom meste. Dlhodobo rozhodne kvalita dát a škálovateľnosť validácie. Bezpečné zvládnutie miliónov odlišných situácií si vyžaduje lepšie simulačné modely, sofistikovanejšiu predikciu správania ľudí a robustnú ochranu proti nečakaným javom.
i
V Alza Magazíne máme pre vás aj ďalšie články:
Autonómne riadenie je výsledkom spolupráce mnohých vrstiev. Senzory snímajú okolie, neurónové siete rozpoznávajú význam a pozíciu objektov, predikcia predvída správanie účastníkov premávky a plánovacie algoritmy volia najbezpečnejšiu reakciu. Systém sa priebežne zlepšuje učením z reálnych jázd aj simulácií. V praxi zatiaľ prevláda opatrný prístup. ADAS asistenti vodiča sa stali bežnou súčasťou výbavy vozidiel a robotaxi fungujú vo vybraných mestách s presne definovanými podmienkami. Plná autonómia dostupná kedykoľvek a kdekoľvek zatiaľ zostáva cieľom. Technologickí giganti ako Google (Waymo), Tesla, Nvidia, Apple či čínsky Baidu investujú do tejto oblasti miliardy dolárov. Je teda len otázkou času, kým sa plne autonómne vozidlá stanú realitou aj mimo testovacích oblastí sveta.
