Я поясню, як мислить автомобіль під час самостійного керування.

Пішохід, який наближається до пішохідних переходів, велосипед, який раптово змінює напрямок, автомобіль, який вривається на дорогу в останню хвилину. Для водія це щоденні ситуації, з якими доводиться стикатися часто протягом кількох секунд. Однак для системи допомоги водієві це низка проблем, які потрібно вирішувати за допомогою камер, датчиків, обчислень та штучного інтелекту. Але як автомобіль може розуміти те, що відбувається навколо, та вирішувати, яку маневреність застосувати?

Щоб зрозуміти це, я провів інтерв’ю з Донг Лі, CTO компанії QCraft — китайської фірми, яка спеціалізується на розробці передових систем допомоги водієві для серійних автомобілів. У центрі нашої розмови була технологія QPilot PRO, створена для підтримки водія як у місті, так і на автомагістралі, навіть коли рух супроводжується складними ситуаціями.

Він розповів мені, як працює ця система, які стратегії вона використовує для прогнозування дій інших учасників руху та що відбувається, коли вона стикається з ситуацією, яку не може достатньо точно проаналізувати.

Камери, датчики та штучний інтелект: як приймає рішення автомобіль

QPilot PRO належить до сімейства систем допомоги водієві від QCraft, до якого також входять версії AIR та MAX. Він розроблений для допомоги автомобілю у русі в місті та на автостраді завдяки функції Navigation on Autopilot (NOA). Його обчислювальна потужність становить від 100 до 200 TOPS — це одиниця, яка показує, скільки математичних операцій він може виконувати за секунду.

QPilot PRO є частиною сімейства систем допомоги водієві від QCraft

Фото: QCraft

Система використовує 11 камер, які доповнюються датчиком LiDAR, що відтворює навколишнє середовище у трьох вимірах. Камери розпізнають автомобілі, пішоходів, світлофори та смуги руху, тоді як LiDAR допомагає визначати положення та форму перешкод. Об’єднуючи ці дані, штучний інтелект намагається зрозуміти, де може проїхати автомобіль та як рухаються інші учасники дорожнього руху.

Наступним кроком є вирішення того, як реагувати. «Наша основна інновація полягає у включенні вимог безпеки в усю процедуру — від навчання моделі до вибору траєкторії», — пояснив під час інтерв’ю Донг Лі, CTO компанії QCraft. Система поєднує аналіз дорожньої ситуації та прогнозування подій із правилами безпеки, встановленими людьми, щоб рішення ставали більш контрольованими.

Щоб навчитися керувати різними ситуаціями, QCraft також використовує світові моделі, які імітують функціонування фізичного світу, та метод посиленого навчання — техніку, яка допомагає штучному інтелекту покращувати свої рішення через навчання.

QCraft: як штучний інтелект розуміє дорогу

Фото: QCraft

Таким чином намагаються розпізнати перешкоду та передбачити, що може статися. Як пояснив мені Лі, якщо по дорозі котиться м’яч, система повинна врахувати, що дитина може побігти його забрати, і завчасно уповільнитися. Так само, якщо біля пішоходів є вода, автомобіль може зменшити швидкість, щоб уникнути її бризок. Ось різниця між простим спостереженням за тим, що відбувається, та інтерпретацією ситуації для передбачення можливих наслідків.

Що відбувається, коли автомобіль потрапляє у скруту

Звісно, жодну систему неможливо заздалегідь навчити на всі ситуації, які можуть виникнути під час реального руху. Тому QCraft використовує масштабні симуляції та моделі фізичного світу для створення віртуального середовища, у якому можна відтворювати рідкісні сценарії, складні погодні умови та небезпечні ситуації, які було б складно неодноразово відтворити на дорозі.

Донг Лі, CTO QCraft

Фото: Motor1 Italia visual (з допомогою ШІ)

До цих тестів додаються дані, зібрані під час щоденного використання. Згідно з цифрами, наданими компанією Li, у 2026 році рішення QPilot досягли мільйона встановлень у серійних автомобілях. Наприкінці липня водії пройшли загалом понад 4,5 мільярда кілометрів, використовуючи системи допомоги від цієї компанії. QCraft також повідомляє про частоту ненавмисного активацію аварійних гальм, яка становить менше однієї випадку на 500 000 кілометрів. Це дані, надані компанією, і їх слід розглядати разом із умовами вимірювання та критеріями, які використовуються: адже самі по собі вони не дозволяють визначити, наскільки система є безпечною порівняно з людським керуванням у будь-яких ситуаціях.

А що відбувається, коли автомобіль стикається з ситуацією, яку він не може достатньо надійно інтерпретувати?

За словами Лі, система оцінює наявну інформацію, умови дороги та надійність датчиків. Якщо ситуація містить занадто багато невизначеностей, вона може обрати більш обережну поведінку — наприклад, уповільнитися, збільшити відстань до автомобіля попереду чи уникнути передчасної зміни смуги руху. Якщо умови перевищують її можливості, вона повинна попередити водія, щоб той знову взяв керування під контроль.

Це важливий момент, адже QPilot PRO належить до категорії систем допомоги водієві 2-го рівня. Тому водій має продовжувати стежити за дорогою та роботою системи, зберігаючи можливість втрутитися в будь-який момент. Автомобіль може керувати деякими аспектами руху, але відповідальність за контроль залишається у людини.

Щоб зменшити ризики, пов’язані з відволіканням уваги чи надмірною довірою до технологій, QCraft співпрацює з виробниками над системами моніторингу водія. Якщо під час активної допомоги система виявляє, що людина піднімається з сидіння або залишається без ременя безпеки протягом більше ніж п’яти секунд, вона може запитати про ручний контроль та підвищити поріг крутного моменту, необхідний для втручання у кермо, щоб зменшити ризик того, що випадковий дотик спричинить реакцію.

Також контролюється постава: якщо водій нахиляється до горизонтального положення, система продовжує вимагати повернення до правильної позиції. У разі тривалої втоми чи виявлення відволікання система може запропонувати водієві знову взяти кермо, а якщо не отримає відповіді — гальмувати, щоб безпечно зупинитися у смузі руху, відповідно до стратегій, передбачених системою.

Проте залишаються певні труднощі. Дуже сильний дощ, сліпучий світло, перешкоди, які приховують інших учасників дорожнього руху, та екстремальні ситуації продовжують ставити випробування навіть найсучаснішим технологіям. Щоб протистояти цьому, QCraft тренує свої моделі на симульованих зображеннях з камер, які осліплюються або частково затемнюються, та у сценаріях, коли деякі датчики не функціонують належним чином.

У системах, які не залежать від карт у високій роздільній здатності, під час навчання також вводиться хибна картографічна інформація, щоб зменшити залежність від даних, які можуть не відповідати реальності. Компанія також використовує резервні моделі, щоб знизити наслідки можливої несправності окремого компонента.

Є ще питання оновлень. Дані, зібрані автомобілями, можуть допомогти виявити нові проблеми та покращити наступні версії, але це не означає, що автомобілі навчаються безпосередньо під час руху, автономно змінюючи свої стратегії керування. Перш ніж їх розповсюдити, оновлення мають пройти перевірки за допомогою симуляцій, відтворення сценаріїв, тестів на зворотну сумісність та випробувань на дорозі. Потім перевірка завершується спільно з виробником автомобіля.

Навіть прибуття до Європи вимагає спеціальної підготовки. Розв’язки, пріоритети руху, пішохідні переходи, дорожні знаки та звички водіїв відрізняються в різних країнах. QCraft вже проводив тестування в містах та на автомагістралях у різних регіонах Німеччини та Франції, але Лі підкреслює, що не існує універсальної кількості кілометрів, яка підійде для кожної країни: навчання та перевірка залежать від відмінностей між місцевими умовами та тими, з якими вже знайома система.

QCraft: прибуття до Європи вимагає спеціальної підготовки

Фото: QCraft

Метою компанії є зробити ці технології доступними також для автомобілів більш доступного класу. QCraft стверджує, що вже впровадила системи допоміжного навігування в місті на платформах з пропускною здатністю 128 TOPS, і каже, що за їхніми оцінками QPilot PRO покриває 99% сценаріїв щоденних поїздок. Крім того, система підтримує понад 300 сценаріїв паркування, включаючи дуже вузькі простори та паркування на кількох рівнях гаража.

Це результати та цілі, які демонструють, наскільки розвивається автономне керування, але вони не усувають основної проблеми: дорога — це непередбачуване середовище, і здатність впоратися зі звичайною ситуацією не гарантує вміння керуватися у надзвичайній. Саме тут вимірюється зрілість цих технологій: не лише у здатності приймати рішення, коли все працює за планом, а й у розумінні того, коли інформації недостатньо та коли необхідно знову надати простір для людського втручання.

Читайте також