Autonomní vozidlo je takové auto, které dokáže jet samo bez zásahu řidiče. Nepotřebuje, abyste drželi volant nebo sledovali cestu, protože se orientuje pomocí senzorů a umělé inteligence. Taková vozidla by mohla přinést méně nehod, plynulejší provoz a pohodlnou dopravu. Aby to fungovalo, musí ale automobil napodobit tři klíčové schopnosti člověka – vidět okolí, chápat souvislosti a rychle se rozhodovat. Pochopitelně, že by je měl zvládnout spolehlivěji než lidský řidič. To vše obstarává umělá inteligence běžící na specializovaném hardwaru v autě. Níže rozkládáme celý zásobník technologií od senzorů po řízení kol, vysvětlíme učící procesy i bezpečnostní validaci a nakonec zasadíme technologii do dnešní reality značek a služeb.
Moderní umělá inteligence dokáže nejen rozpoznat a chápat dopravní scénu díky senzorové fúzi, ale také přesně lokalizovat vůz, předvídat chování účastníků provozu, plánovat bezpečný pohyb a spolehlivě ovládat všechny akční prvky. Jednotlivé fáze práce AI v autonomním světle budou detailněji rozebrány v následujících pěti podkapitolách.
Autonomní auto má více smyslů, které se doplňují. Kamery poskytují detailní obraz, lidar dokáže přesně změřit vzdálenost a tvar objektů, radar se hodí pro sledování pohybu za deště nebo v noci a ultrazvuk pomáhá při nízkých rychlostech a vzdálenostech. Ne všechny značky používají stejnou kombinaci, ale princip je vždy podobný. Každý senzor má své slabiny i silné stránky, proto se jejich data slučují do jednotného modelu prostředí. Fúze probíhá ve vrstvách: od základního zarovnání a kalibrace přes sledování objektů a jejich trajektorií až po pochopení celé scény včetně pruhů, přechodů a dalších pravidel silničního provozu.
Nad daty běží neuronové sítě pro detekci objektů, segmentaci obrazu a rozpoznávání dopravních prvků. Současné modely využívají vícemodální architektury, které umí spojit obraz, mračna bodů z lidaru i radarová data do jednoho reprezentovaného prostoru. Výsledek je dynamická mapa okolí s přesnými polohami a rychlostmi účastníků provozu.
Aby auto vědělo, kde přesně je, spojuje údaje z GPS, inerciální jednotky a vizuální nebo lidarovou odometrii (metoda, která podle změn v obraze či 3D datech z lidaru počítá, o kolik se vozidlo posunulo). V praxi se používají dva přístupy. Místní mapování v reálném čase, známé jako SLAM (simultánní lokalizace a mapování), a využití vysoce detailních map s přesně popsanými jízdními pruhy, křižovatkami, semafory či ostrůvky. V hustém městě se obě metody kombinují. Mapy dávají kontext a stabilitu, zatímco lokální rekonstrukce pomáhá reagovat na aktuální změny prostředí.
Rozpoznat auto nebo chodce nestačí. Systém musí odhadnout, co udělají za sekundu, dvě nebo pět. K tomu slouží prediktory trajektorií, které pracují s nejistotou a generují více možných budoucností. U chodců hodnotí směr hlavy, rychlost kroku a polohu vůči přechodu. U aut zohledňují úhel kol, brzdná světla a pravidla křižovatky. Modely AI často používají grafové sítě, které dokážou zachytit interakce mezi účastníky. Predikce se aktualizuje mnohokrát za sekundu a vždy předává několik realistických scénářů s pravděpodobnostmi.
Na vstupu má plánovač jednotnou reprezentaci scény a svazek predikcí. Jeho úkolem je vybrat bezpečný a plynulý manévr. Krátkodobé plánování řeší trajektorii během desítek metrů, dlouhodobé volí pruhy, odbočení a strategii. Používají se optimalizační metody, které minimalizují riziko srážky, nepohodlí posádky a porušení pravidel. Součástí je reaktivní vrstva pro okamžitou reakci na náhlé překážky. Když někdo vyběhne do vozovky, tato vrstva zkrátí brzdnou trajektorii bez ohledu na komfort.
Finální trajektorie vozidla se převádí do příkazů pro volant, plyn a brzdy. Řídicí smyčky běží na milisekundových škálách, aby systém držel auto přesně ve zvoleném koridoru. Velkou roli hraje redundance, tedy zálohování kritických systémů. Každý důležitý prvek má vlastní pojistku. Napájení bývá zdvojené, aby auto neztratilo kontrolu při poruše baterie. Výpočetní jednotky často pracují ve dvojici a navzájem se kontrolují. Brzdový systém má vždy nouzovou variantu, kterou lze aktivovat, pokud hlavní část selže. Díky tomu je pravděpodobnost úplného výpadku minimální a vozidlo se dokáže bezpečně zastavit i při závažné poruše.
Základ tvoří tzv. „učení s učitelem“, tedy trénink AI na obrovských datových sadách, kde má každý snímek jasně označené objekty, jízdní pruhy a značky. Síť se učí poznávat vzory podle těchto popisků a časem dokáže rozpoznat i nové situace. Doplňuje ho „učení bez učitele“, které nepotřebuje anotace a zlepšuje schopnost systému vytvářet si vlastní reprezentace prostředí. Pro rozhodovací strategie se využívá posilované učení, při kterém se model zkouší chovat v simulaci a odměňuje se za správná rozhodnutí, například za to, že se vyhne kolizi i za cenu menšího komfortu posádky.
Klíčová je kvalita a rozmanitost dat. Umělá inteligence musí projít denními i nočními scénami, různými ročními obdobími, stylem jízdy i regionálními odlišnostmi. Reálné testy jsou nezbytné, ale nestačí. Nejrizikovější situace se proto trénují v simulátoru. Pokročilé nástroje umí z reálných jízd rekonstruovat dopravní proudy a uměle zesilovat kritické momenty. Bezpečnostní validace často využívá takzvaný režim černé skříňky. Algoritmy mu předkládají extrémní scénáře a hledají, při jakých podmínkách systém selže. Díky tomu se dají slabiny odhalit ještě v simulaci a doplnit o dodatečné ochranné mechanismy.
Vývoj tak získává rytmus rychlých cyklů: nasbírat data, natrénovat model, nasadit, vyhodnotit výsledky a znovu celý proces zopakovat.
Učení umělé inteligence nekončí nasazením do provozu. Modely se musí neustále zlepšovat, podobně jako když váš telefon dostává aktualizace systému. Nejprve se nová verze otestuje na malém vzorku dat, poté v několika testovacích vozidlech a až nakonec dorazí do celé flotily. Všechna auta navíc při jízdě anonymně sbírají data, která se využívají k dalšímu učení. Výhodou je, že se každé auto může učit nejen ze svých chyb, ale i ze zkušeností celé flotily.
Aby to celé mohlo fungovat, musí mít vůz výpočetní výkon na úrovni datového centra. Mozek samořídicího auta netvoří jen software, ale i speciální počítače přímo ve voze. Ty zpracovávají proudy dat z kamer, radarů a lidaru během zlomku sekundy a převádějí je na rozhodnutí. Používají se k tomu čipy navržené speciálně pro umělou inteligenci, vybavené výkonnými akcelerátory i rychlou pamětí. Jen kamery a lidar mohou generovat stovky megabajtů až několik gigabajtů za sekundu, takže je klíčové, aby se většina výpočtů odehrávala přímo v autě. Připojení k internetu slouží hlavně pro aktualizace, sdílení zkušeností mezi vozy nebo stahování map, ale samotné řízení musí zvládnout lokální systém bez závislosti na cloudu.
Autonomní řízení má šest úrovní. Začíná nulovou, kdy vše řídí člověk, a končí pátou, kdy auto zvládne jízdu úplně samo. V běžném provozu se zatím používají hlavně první dvě úrovně. Patří sem asistenti jako adaptivní tempomat nebo systém pro udržení v jízdním pruhu (tzv. ADAS, tedy pokročilé asistenční systémy řidiče). Úroveň tři, kdy vozidlo dočasně přebírá řízení a řidič jen dohlíží, je zatím vzácná a omezená na specifické situace. Typicky se využívá při pomalé jízdě v koloně na dálnici.
| Úroveň | Název | Popis |
|---|---|---|
| 0 | žádná automatizace | řidič ovládá vozidlo plně bez asistence systému |
| 1 | asistence řidiče | systém pomáhá s řízením nebo zrychlováním/brzděním, ale ne obojím zároveň, řidič má vozidlo neustále pod kontrolou |
| 2 | částečná automatizace | vozidlo samo ovládá řízení i rychlost, ale řidič musí dohlížet a být připraven zasáhnout |
| 3 | podmíněná automatizace | vozidlo zvládne některé situace zcela samo, ale vyžaduje zásah řidiče, pokud si neví rady |
| 4 | vysoká automatizace | vozidlo zvládá většinu jízdních situací samo, ale jen ve vymezených oblastech a podmínkách |
| 5 | plná automatizace | vozidlo nepotřebuje řidiče vůbec, zvládá jakýkoli provoz a podmínky bez lidského zásahu |
Vyšší úrovně čtyři a pět dnes fungují pouze v omezených režimech. Příkladem jsou takzvaná robotaxi. Jde o vozidla bez řidiče, která přepravují cestující na zavolání (např. v mobilní aplikaci) podobně jako ride-hailing služby typu Uber nebo Bolt. V provozu jsou například v amerických městech jako San Francisco nebo Phoenix, ale jejich pohyb je zatím omezen na přesně vymezené oblasti a podmínky. Systém se spoléhá na velmi podrobné mapy, přísné testování a kontinuální dohled. Plně autonomní doprava pro veřejnost mimo tato omezení zatím není realitou.
Waymo ze skupiny Alphabet (matka Google) provozuje placenou službu robotaxi ve více amerických městech, například ve Phoenixu, San Franciscu, Los Angeles, Austinu a Atlantě. Vozový park čítá přes dva tisíce autonomních aut a týdně uskuteční čtvrt milionu jízd. Tesla spustila pilotní provoz robotaxi v Austinu v červnu 2025. Vozidla zatím jezdí jen pro omezený počet uživatelů a stále s lidským dozorem.
Společnost Cruise obnovila provoz na jaře 2024, konkrétně ve Phoenixu, Dallasu a Houstonu. Zatím funguje pod dohledem a s omezeními, která zavedla po dřívějších bezpečnostních problémech. Na vývoji technologií autonomie pracují také evropské značky jako Mercedes-Benz nebo BMW, které postupně uvádějí funkce úrovně tři.
V Číně se testují služby na úrovni čtyři především ve velkých městech jako Peking či Šen-čen. V praxi však většina provozů probíhá s dozorem nebo operátorem na dálku.
Všechno to asi zní slibně, ale jak tomu bývá, umělá inteligence v autonomních vozidlech má své „temnější“ stránky. Systémy mají slabiny v extrémních podmínkách a u scén, které model neviděl dostatečně často. Patří sem zhoršená viditelnost, nečekané uzavírky a některé vizuální jevy. Známým problémem jsou blikající majáky záchranných složek, které u některých kamerových sestav vyvolaly mylné vyhodnocení situace a došlo k nárazům do zásahových vozidel (konkrétně u značky Tesla). Bezpečnost proto stojí na více vrstvách. Kvalitní vnímání, konzervativní plánování, záložní režimy a jasné rozhraní k člověku tam, kde to předpisy vyžadují. Důležité je i testování na statisících simulovaných scén a průběžné zlepšování po nasazení.
Kam tedy AI v autech směřuje? Krátkodobě roste chytrost ADAS asistentů v běžných autech a rozšíří se úroveň 3 v jasně definovaných scénářích. Robotaxi budou přibývat ve městech, kde je možné přísně řídit podmínky provozu a udržovat aktuální mapy. Logistika a uzavřené areály uvidí nasazení dřív než plná svoboda v libovolném městě. Dlouhodobě rozhodne kvalita dat a škálovatelnost validace. Bezpečné zvládnutí milionů odlišných situací vyžaduje lepší simulační modely, sofistikovanější predikci chování lidí a robustní ochranu proti nečekaným jevům.
i
V AlzaMagazínu pro vás máme i další články:
Autonomní řízení je výsledkem spolupráce mnoha vrstev. Senzory snímají okolí, neuronové sítě vnímají význam a pozici objektů, predikce předvídá chování účastníků provozu a plánovací algoritmy volí nejbezpečnější reakci. Systém se průběžně zlepšuje učením z reálných jízd i simulací. V praxi zatím převládá opatrný přístup. ADAS asistenti řidiče se stali běžnou součástí výbavy aut a robotaxi fungují ve vybraných městech s přesně definovanými podmínkami. Plná autonomie dostupná kdykoliv a kdekoliv zatím zůstává cílem. Technologičtí giganti, jako Google (Waymo), Tesla, Nvidia, Apple nebo čínský Baidu, však investují do této oblasti miliardy dolarů. Je tedy jen otázkou času, než se plně autonomní vozidla stanou realitou i mimo testovací oblasti světa.
