Wyjaśniam, jak myśli samochód podczas jazdy autonomicznej

Pieszy zbliżający się do pasów, rower nagle zmieniający kierunek, samochód wjeżdżający w ostatniej chwili. Dla kierowcy są to sytuacje codzienne, z którymi musi często radzić sobie w ciągu zaledwie kilku sekund. Dla systemu asystującego kierowcy natomiast stanowią one serię problemów do rozwiązania za pomocą kamer, czujników, obliczeń i sztucznej inteligencji. Ale jak samochód potrafi interpretować to, co dzieje się wokół niego, i zdecydować, jaką manewr wykonać?

Aby to zrozumieć, przeprowadziłem wywiad z Dong Li, CTO firmy QCraft, chińskiego przedsiębiorstwa specjalizującego się w rozwoju zaawansowanych systemów asystencji kierowcy dla samochodów seryjnych. W centrum naszej rozmowy znajduje się QPilot PRO – technologia zaprojektowana do wspierania kierowcy zarówno w mieście, jak i na autostradzie, nawet gdy ruch charakteryzuje się skomplikowanymi sytuacjami.

Opowiedział mi, jak działa ten system, jakie strategie stosuje do przewidywania ruchów innych użytkowników drogi oraz co się dzieje, gdy napotyka sytuację, której nie potrafi zinterpretować z wystarczającą pewnością.

Kamery, czujniki i sztuczna inteligencja: jak decyduje samochód

QPilot PRO należy do rodziny systemów wspomagania jazdy QCraft, która obejmuje również wersje AIR i MAX. Został zaprojektowany, aby pomagać samochodowi poruszać się w mieście i na autostradzie dzięki funkcji Navigation on Autopilot (NOA). Jego moc obliczeniowa waha się od 100 do 200 TOPS – jednostki określającej, ile operacji matematycznych może wykonać w sekundzie.

QPilot PRO należy do rodziny systemów wspomagania jazdy firmy QCraft

Zdjęcie: QCraft

System wykorzystuje 11 kamer, uzupełnionych o czujnik LiDAR, który rekonstruuje otoczenie w trzech wymiarach. Kamery rozpoznają samochody, pieszych, sygnalizacje świetlne oraz pasy ruchu, natomiast LiDAR pomaga określić pozycję i kształt przeszkód. Łącząc te dane, sztuczna inteligencja stara się zrozumieć, gdzie może przejechać samochód oraz jak poruszają się pozostali użytkownicy drogi.

Następnym krokiem jest decyzja o tym, jak zareagować. „Nasza główna innowacja polega na integracji wymogów bezpieczeństwa w całym procesie, od uczenia modelu po wybór trajektorii” – wyjaśnił mi Dong Li, CTO firmy QCraft, podczas rozmowy. System łączy interpretację otoczenia drogowego i prognozowanie zdarzeń z regułami bezpieczeństwa ustalonymi przez ludzi, dzięki czemu decyzje stają się bardziej kontrolowalne.

Aby nauczyć się radzić sobie z różnymi sytuacjami, QCraft wykorzystuje również modele świata, które symulują funkcjonowanie rzeczywistego świata fizycznego, oraz uczenie wzmacniające – technikę, która pomaga sztucznej inteligencji poprawiać swoje decyzje poprzez naukę.

QCraft – w ten sposób sztuczna inteligencja interpretuje drogę

Zdjęcie: QCraft

W ten sposób próbuje się rozpoznać przeszkodę i przewidzieć, co może się wydarzyć. Jak wyjaśnił mi Li, jeśli po drodze toczy się piłka, system powinien założyć, że dziecko może pobiec po nią, i wcześniej zwolnić. Podobnie, jeśli w pobliżu pieszych jest woda, samochód może zmniejszyć prędkość, aby uniknąć rozprysków. Oto różnica pomiędzy widzeniem tego, co się dzieje, a interpretacją kontekstu w celu przewidzenia możliwych konsekwencji.

Co się dzieje, gdy samochód ma trudności

Oczywiście żaden system nie może zostać wcześniej przeszkolony we wszystkich sytuacjach, które mogą wystąpić w rzeczywistym ruchu drogowym. Dlatego QCraft wykorzystuje skali symulacje oraz modele świata fizycznego, aby stworzyć wirtualne środowisko, w którym można odtwarzać rzadkie scenariusze, trudne warunki pogodowe oraz niebezpieczne sytuacje, których powtarzane odtwarzanie na drodze byłoby skomplikowane.

Dong Li, CTO QCraft

Zdjęcie: Motor1 Italia visual (z pomocą AI)

Do tych testów dodawane są dane zebrane podczas codziennego użytkowania. Według informacji przekazanych przez Li, w 2026 roku rozwiązania QPilot osiągnęły milion instalacji w pojazdach seryjnych. Pod koniec lipca kierowcy przebyli łącznie ponad 4,5 miliarda kilometrów, korzystając z systemów asystujących firmy. QCraft podaje również, że częstotliwość niezamierzonych aktywacji automatycznego hamulca awaryjnego wynosi mniej niż jedna na 500.000 kilometrów. Jest to dane podane przez firmę i należy je interpretować wraz z warunkami pomiarowymi oraz użytymi kryteriami – same w sobie bowiem nie pozwalają określić, na ile system jest bezpieczniejszy od jazdy manualnej we wszystkich sytuacjach.

A co się dzieje, gdy samochód napotyka sytuację, której nie potrafi wystarczająco dokładnie zinterpretować?

Zgodnie z Li system ocenia dostępne informacje, warunki na drodze oraz niezawodność czujników. Jeśli sytuacja charakteryzuje się zbyt wieloma niepewnościami, może przyjąć bardziej ostrożne zachowanie – na przykład zwolnić, zwiększyć odległość od pojazdu jadącego z przodu lub uniknąć przedwczesnej zmiany pasa ruchu. Jeśli warunki przekraczają jego możliwości operacyjne, musi poinformować kierowcę, aby ten przejął kontrolę.

To kluczowy punkt, ponieważ QPilot PRO należy do kategorii systemów wspomagania jazdy poziomu 2. Dlatego kierowca musi nadal obserwować drogę i działanie systemu, zachowując możliwość interwencji w każdej chwili. Samochód może zarządzać niektórymi czynnościami związanymi z jazdą, ale odpowiedzialność za kontrolę pozostaje po stronie człowieka.

Aby ograniczyć ryzyko związane z rozproszeniem uwagi lub nadmiernym zaufaniem do technologii, QCraft współpracuje z producentami również nad systemami monitorowania kierowcy. Jeśli podczas aktywnej pomocy system wykryje, że osoba wstaje z siedzenia lub pozostaje bez pasów bezpieczeństwa przez ponad pięć sekund, może wymagać interwencji ręcznej oraz zwiększyć wymaganą siłę skrętu potrzebną do interwencji na kierownicy, zmniejszając w ten sposób ryzyko, że przypadkowy kontakt spowoduje reakcję.

Kontrolowana jest również postawa kierowcy: jeśli kierowca odchyla się do pozycji leżącej, system nadal wymaga przywrócenia prawidłowej pozycji. W przypadku długotrwałego zmęczenia lub wykrytej rozproszenia system może poprosić o wznowienie jazdy, a jeśli nie otrzyma odpowiedzi, hamować, aż bezpiecznie zatrzyma się na pasie ruchu, zgodnie ze strategiami określonymi przez system.

Mimo to istnieją pewne trudności. Bardzo intensywny deszcz, oślepienie, przeszkody zakrywające innych użytkowników drogi oraz sytuacje wyjątkowe nadal stanowią wyzwanie nawet dla najnowocześniejszych technologii. Aby sobie z nimi poradzić, QCraft szkoli swoje modele również na symulowanych obrazach z kamer oślepionych lub częściowo zaciemnionych oraz w scenariuszach, w których niektóre czujniki nie działają prawidłowo.

W systemach, które nie polegają na mapach wysokiej rozdzielczości, podczas szkolenia wprowadzane są również błędne informacje kartograficzne, aby zmniejszyć zależność od danych, które mogą nie odpowiadać rzeczywistości. Firma wykorzystuje również modele redundanckie, aby ograniczyć skutki ewentualnego awarii jakiegoś komponentu.

Kolejnym tematem są aktualizacje. Dane zbierane przez pojazdy mogą pomóc w wykrywaniu nowych problemów i ulepszeniu kolejnych wersji, ale to nie oznacza, że samochody uczą się bezpośrednio podczas jazdy, zmieniając samodzielnie swoje strategie prowadzenia. Przed rozpowszechnieniem aktualizacje muszą przejść weryfikację poprzez symulacje, odtwarzanie scenariuszy, testy regresji oraz próby na drodze. Weryfikacja jest następnie dokonywana we współpracy z producentem pojazdu.

Również przybycie do Europy wymaga specjalistycznych przygotowań. Rondo, zasady pierwszeństwa, przejścia dla pieszych, oznakowanie drogowe oraz nawyki kierowców różnią się w zależności od kraju. QCraft przeprowadził już testy miejskie i autostradowe w różnych miejscach w Niemczech i Francji, ale Li podkreśla, że nie istnieje jedna stała liczba kilometrów odpowiednia dla każdego kraju – szkolenie i weryfikacja zależą od różnic pomiędzy warunkami lokalnymi a tymi, które system już zna.

QCraft: przybycie do Europy wymaga specjalistycznych przygotowań

Zdjęcie: QCraft

Celem firmy jest udostępnienie tych technologii również w samochodach o niższej cenie. QCraft twierdzi, że już zainstalowało systemy asystujące w nawigacji miejskiej na platformach o mocy 128 TOPS, i stwierdza, że według własnych ocen QPilot PRO obejmuje 99% scenariuszy codziennej jazdy do pracy. System ten obsługuje ponad 300 scenariuszy parkowania, w tym bardzo ciasne miejsca oraz parkowanie na kilku poziomach w garażu.

Są to wyniki i cele, które pokazują, jak bardzo rozwija się asystowana jazda, ale nie eliminują centralnego problemu: droga to środowisko nieprzewidywalne, a umiejętność radzenia sobie z typowymi sytuacjami nie gwarantuje umiejętności poradzenia sobie z wyjątkowymi. Właśnie tutaj mierzy się dojrzałość tych technologii: nie tylko w zdolności podejmowania decyzji, gdy wszystko działa zgodnie z planem, ale także w umiejętności rozpoznania momentu, gdy informacji jest niewystarczająco dużo i gdy konieczne jest ponowne przyznanie miejsca interwencji człowieka.

Czytaj także