Robocikowo>ROBOCIKOWO
Robotyka

AV (Autonomous Vehicle)

1988AktywnyOpublikowano: 31 sierpnia 2026Aktualizacja: 31 sierpnia 2026Opublikowany
Pojazd zdolny wykrywać otoczenie i poruszać się bez ingerencji człowieka, łącząc percepcję czujnikową, lokalizację, predykcję, planowanie i sterowanie w pętli sense–plan–act.
Kluczowa innowacja
Integracja wielomodalnej percepcji, predykcji ruchu i planowania w jeden działający w czasie rzeczywistym układ sterowania w pętli zamkniętej, który pozwala pojazdowi prowadzić bez udziału człowieka w zdefiniowanej domenie operacyjnej (ODD).
Kategoria
Robotyka
Poziom abstrakcji
System
Poziom operacji
SystemSterowanie robotemInferencja
Zastosowania
Robotaksówki / autonomiczny ride-hailingAutonomiczny transport ciężarowy (autostradowy)Dostawy ostatniej miliSystemy wspomagania kierowcy (ADAS)Autonomiczne wahadłowce i transport zbiorowyPojazdy przemysłowe: górnictwo, rolnictwo, logistyka

Jak działa

System działa w ciągłej pętli sense–plan–act w czasie rzeczywistym. (1) Percepcja: czujniki (kamery, LiDAR, radar, ultradźwięki) dostarczają surowe dane, z których moduły wykrywają i śledzą obiekty oraz budują semantyczny obraz sceny. (2) Lokalizacja i mapowanie: fuzja GNSS/IMU z mapami HD oraz SLAM wyznacza pozycję pojazdu. (3) Fuzja czujników: łączy odczyty wielu modalności w spójny stan otoczenia. (4) Predykcja: przewiduje przyszłe trajektorie innych uczestników ruchu. (5) Planowanie: warstwa behawioralna wybiera manewr, a planer ruchu generuje bezpieczną, wykonalną trajektorię. (6) Sterowanie: kontroler (np. MPC) przekłada trajektorię na komendy kierownicy, gazu i hamulca. W podejściu end-to-end większość tego potoku zastępuje pojedyncza sieć neuronowa uczona metodą klonowania zachowań lub uczenia ze wzmocnieniem.

Rozwiązany problem

Automatyzacja zadania prowadzenia w celu ograniczenia błędów człowieka — głównej przyczyny wypadków drogowych — oraz zwiększenia dostępności mobilności, optymalizacji przepływu ruchu i redukcji kosztów pracy w transporcie.

Komponenty

PerceptionZamienia surowe dane czujników na zrozumienie otoczenia.

Wykrywanie i śledzenie obiektów oraz budowa semantycznego obrazu sceny z surowych danych czujników (kamery, LiDAR, radar, ultradźwięki).

INStrumienie obrazu, chmury punktów LiDAR, odczyty radaru i ultradźwięków.
OUTLista wykrytych i śledzonych obiektów oraz semantyczna reprezentacja sceny (np. BEV).

Oficjalna

Localization & MappingUmiejscawia pojazd w świecie z dokładnością wymaganą do planowania.

Wyznaczanie pozycji pojazdu przez fuzję GNSS/IMU z mapami wysokiej rozdzielczości (HD) oraz SLAM.

INOdczyty GNSS/IMU, mapy HD i dane percepcji.
OUTEstymata pozy pojazdu (pozycja i orientacja).

Oficjalna

PredictionDostarcza planerowi prognozę dynamiki otoczenia.

Przewidywanie przyszłych trajektorii i intencji innych uczestników ruchu (pojazdów, pieszych, rowerzystów).

INŚledzone obiekty i kontekst sceny.
OUTRozkłady przyszłych trajektorii uczestników ruchu.

Oficjalna

PlanningDecyduje, co pojazd ma zrobić w najbliższym horyzoncie czasowym.

Wybór manewru (warstwa behawioralna) i generowanie bezpiecznej, wykonalnej trajektorii (planer ruchu).

INSemantyczna scena, predykcje i poza pojazdu.
OUTZaplanowana trajektoria (ścieżka + profil prędkości).

Oficjalna

ControlWykonuje trajektorię, domykając pętlę sterowania.

Przełożenie zaplanowanej trajektorii na komendy aktuatorów (kierownica, gaz, hamulec), często z użyciem MPC.

INTrajektoria z warstwy planowania.
OUTKomendy skrętu, przyspieszenia i hamowania.

Oficjalna

Implementacja

Implementacje referencyjne
Autoware
C++ / ROS 2 · Autoware Foundation
Oficjalna
Apollo
C++ · Baidu
Oficjalna
CARLA Simulator
C++ / Python · CARLA Team
Oficjalna
openpilot
Python / C · comma.ai
Oficjalna
Pułapki implementacyjne
Przypadki brzegowe (long tail)Krytyczna

Rzadkie, nietypowe sytuacje drogowe słabo reprezentowane w danych treningowych powodują błędy percepcji i decyzji.

Rozwiązanie:Aktywne pozyskiwanie danych, symulacja scenariuszy brzegowych, wykrywanie sytuacji poza rozkładem i bezpieczne strategie awaryjne.
Degradacja czujników w trudnych warunkachWysoka

Deszcz, mgła, śnieg, oślepiające słońce i zabrudzenia obniżają jakość danych z kamer i LiDAR-u.

Rozwiązanie:Fuzja wielomodalna (radar odporny na pogodę), ograniczenie ODD i monitorowanie zdrowia czujników.
Luka sim-to-realWysoka

Zachowania wyuczone w symulacji nie przenoszą się wiernie na świat rzeczywisty.

Rozwiązanie:Randomizacja domeny, symulacja wysokiej wierności i walidacja na jeździe rzeczywistej.
Walidacja bezpieczeństwaKrytyczna

Statystyczne udowodnienie bezpieczeństwa wymaga miliardów kilometrów jazdy i pokrycia rzadkich zdarzeń.

Rozwiązanie:Podejście oparte na scenariuszach, walidacja w symulacji, argumentacja bezpieczeństwa (safety case) i stopniowe rozszerzanie ODD.
Ograniczenia czasu rzeczywistegoWysoka

Cały potok percepcja→sterowanie musi zamknąć się w kilkudziesięciu milisekundach przy wysokich prędkościach.

Rozwiązanie:Optymalizacja i kwantyzacja modeli, dedykowane akceleratory oraz twarde gwarancje czasowe.

Ewolucja

Oryginalny paper · 1988 · NeurIPS (NIPS) 1988 · Dean A. Pomerleau
ALVINN: An Autonomous Land Vehicle in a Neural Network
Dean A. Pomerleau
1988
ALVINN — pierwsza sieć neuronowa sterująca pojazdem
Punkt przełomowy

Dean Pomerleau (CMU) trenuje sieć neuronową mapującą obraz z kamery na kąt skrętu — prekursor podejścia end-to-end.

1994
VaMP/VITA-2 — autonomiczna jazda po autostradzie (Dickmanns)

Zespół Ernsta Dickmannsa demonstruje jazdę wizyjną z dużą prędkością w ruchu drogowym (projekt PROMETHEUS).

2005
DARPA Grand Challenge — zwycięstwo Stanleya (Stanford)
Punkt przełomowy

Robot Stanley zespołu Sebastiana Thruna kończy trasę na pustyni; pierwszy ukończony Grand Challenge.

2007
DARPA Urban Challenge — zwycięstwo Boss (CMU)

Pojazd Boss z CMU wygrywa wyścig w środowisku miejskim z ruchem — kamień milowy jazdy w mieście.

2009
Start projektu samochodu Google (później Waymo)

Google uruchamia program samochodu autonomicznego, który w 2016 r. wydzielono jako Waymo.

2014
Publikacja normy SAE J3016 (poziomy 0–5)
Punkt przełomowy

SAE International definiuje wspólną taksonomię sześciu poziomów automatyzacji jazdy.

2016
NVIDIA „End to End Learning for Self-Driving Cars" (PilotNet)
Punkt przełomowy

Sieć CNN mapuje surowe piksele z kamery bezpośrednio na komendy skrętu — odrodzenie podejścia end-to-end.

2018
Waymo One — komercyjna usługa robotaksówek (Phoenix)

Waymo uruchamia komercyjną usługę przejazdów autonomicznych w rejonie Phoenix.

2023
UniAD — zunifikowana, end-to-end architektura jazdy (CVPR 2023)
Punkt przełomowy

Framework „Planning-oriented Autonomous Driving" integruje pełny stos zadań jazdy w jednej sieci; prezentowany na CVPR 2023.

Hiperparametry (konfigurowalne osie)

Poziom automatyzacji (SAE)Krytyczna

Poziom automatyzacji wg SAE J3016, od 0 (brak) do 5 (pełna).

L2 — częściowa automatyzacjaKierowca nadzoruje (np. adaptacyjny tempomat + centrowanie pasa).
L4 — wysoka automatyzacjaBez kierowcy w zdefiniowanym ODD (np. robotaksówki).
Domena operacyjna (ODD)Krytyczna

Zakres warunków (obszar, pogoda, pora dnia, prędkości), w których system może bezpiecznie działać.

Zestaw czujnikówWysoka

Konfiguracja modalności czujników — od kamer-only po fuzję kamera + LiDAR + radar.

kamery-onlyPodejście „vision-only" (np. Tesla).
kamera + LiDAR + radarFuzja wielomodalna (np. Waymo).
Paradygmat oprogramowaniaWysoka

Modularny potok vs. podejście end-to-end (jedna sieć neuronowa od czujników do sterowania).

Redundancja / fail-operationalWysoka

Stopień redundancji sprzętu i oprogramowania zapewniający bezpieczne działanie po awarii.

Równoległość

Poziom równoległości
Częściowo równoległy

Moduły stosu (percepcja, predykcja, planowanie, sterowanie) częściowo działają równolegle w czasie rzeczywistym, jednak decyzja sterująca pozostaje sekwencyjną pętlą zależną od najświeższej percepcji.

Zakres
Inferencja

Wymagania sprzętowe

Podstawowe

Sieci percepcji i planowania działają na motoryzacyjnych akceleratorach z rdzeniami tensorowymi (np. NVIDIA DRIVE, dedykowane SoC), zapewniając inferencję w czasie rzeczywistym przy ograniczonym budżecie energetycznym.