«Мозг» автономных транспортных средств: как искусственный интеллект и датчики работают вместе?

Дата публикации : 15 September 2025

Опубликовано : Sanya Mehra

Автономные транспортные средства перестали быть футуристической концепцией и стали реальностью, во многом благодаря инновационному искусственному интеллекту (ИИ) и передовым сенсорным системам. Оба компонента работают вместе, обеспечивая эффективную навигацию и безопасность. ИИ стал основой автономных транспортных средств, обеспечивая восприятие и распознавание. ИИ обрабатывает данные с датчиков для различения и классификации объектов, таких как препятствия, другие транспортные средства и пешеходы, гарантируя безопасную навигацию.

Аспект принятия решений в реальном времени позволяет эффективно использовать вычислительные ресурсы каждого транспортного средства, оптимизируя процессы на основе его мобильности. В этом отношении, как показал отчет Организации Объединенных Наций по науке и информации за 2024 год, этот подход увеличивает время реакции примерно на 34% по сравнению с другими методами. Кроме того, точность прогнозирования составляет 97,8%, что приводит к существенному сокращению времени. Помимо этого, автономные транспортные средства быстро усложняются, и все более широкое внедрение моделей обучения с подкреплением (RL) в облачные среды становится перспективным решением для повышения эффективности принятия решений.

Какова роль искусственного интеллекта в автономных транспортных средствах?

Искусственный интеллект — это главный мозг автономных транспортных средств, позволяющий им действовать, принимать решения и воспринимать информацию аналогично водителям-людям. Переход к автоматизации обеспечивает повышенное удобство, снижает риски для человека и открывает возможности для значительных экологических и экономических преимуществ. Как указано в статье NLM от декабря 2024 года, автопилот Tesla стал причиной 17 смертельных случаев и 736 аварий за предыдущие годы. Эти организационные данные подчеркивают острую необходимость в надежности автономных транспортных средств. Это обеспечивает стабильную работу в различных реальных условиях, включая переменчивые погодные условия, сложные схемы движения и неожиданные ситуации на дороге.

Источник: MDPI

Машинное обучение в автономных транспортных средствах

Машинное обучение (МО) — одна из технологий автоматизации, помогающих в разработке компьютерных программ. Это позволяет выполнять определенные действия или задачи без вмешательства человека, но с поддержкой данных и устройств в течение определенного периода времени. Согласно статье, опубликованной в журнале Machine Learning with Applications в декабре 2021 года, примерно 94% дорожных аварий происходят по вине водителей, включая отвлечение внимания и неподходящие маневры. Кроме того, неавтомобильные организации и автопроизводители разрабатывают транспортные средства на основе различных уровней автоматизации, как поясняет Общество автомобильных инженеров (SAE) (см. Рисунок 1).

Источник: Science Direct

Компьютерное зрение для распознавания объектов

Внедрение устройств с искусственным интеллектом позволяет распознавать дорожные знаки, транспортные средства и пешеходов с помощью моделей глубокого обучения, включая сверточные нейронные сети (CNN). Эти модели также помогают в оценке видео и изображений с камер, установленных на транспортных средствах. Именно здесь вступают в действие автономные транспортные средства, способные устранять задымление, а также обеспечивать надежное обнаружение и распознавание дорожных знаков (TSDR). Как указано в статье MDPI от октября 2021 года, число смертельных случаев достигло 1,35 миллиона, а от 20 до 50 миллионов человек ежегодно получают травмы, что открывает путь для внедрения автономных транспортных средств.

Планирование маршрута и принятие решений

Это важнейшие функции ИИ, позволяющие автономным транспортным средствам эффективно и безопасно передвигаться по дорогам. Кроме того, ИИ легко анализирует данные с датчиков в режиме реального времени, используя прогрессивные алгоритмы для прогнозирования оптимального маршрута, при этом эффективно избегая препятствий, включая опасности на дороге, транспортные средства и пешеходов. Также инновационные методы, такие как модель прогнозирующего управления (MPC), обеспечивают плавное ускорение, изменение полосы движения и торможение. В дополнение, интерактивное клонирование позволяет ИИ получать знания о моделях вождения человека и успешно имитировать решения экспертов в сложных ситуациях.

Ключевые датчики, обеспечивающие работу беспилотных автомобилей

Автономные транспортные средства все чаще полагаются на набор нетрадиционных датчиков для наблюдения за окружающей средой, каждый из которых играет свою уникальную роль в обеспечении эффективного и безопасного автономного вождения. Эти датчики работают в тандеме, формируя всестороннее понимание обстановки вокруг транспортного средства и подтверждая принятие решений в режиме реального времени. Ниже приведены несколько ключевых датчиков, а также их функции, преимущества и ограничения.

• LiDAR (Light Detection and Ranging): Эта технология использует оптические лазерные импульсы для создания высокоточных 3D-карт транспортного средства, что позволяет детально идентифицировать объекты, препятствия и кривизну дороги. Точность на уровне сантиметров делает её незаменимой для тщательного картографирования окружающей среды. Согласно отчёту McKinsey за январь 2023 года, цена автономных транспортных средств с возможностями LiDAR уровня 2+ колеблется от 1500 до 2000 долларов США, что делает их дорогими. Однако рынок LiDAR продолжает расти, достигнув, по данным Research Nester , к 2025 году его объём составит 3,3 миллиарда долларов США.
• Радар (радиолокационная система обнаружения и определения дальности): Этот метод превосходит другие в определении расстояния и скорости объектов за счет использования радиоволн, что делает его незаменимым для предотвращения столкновений и адаптивного круиз-контроля. По сравнению с камерами и лидарами, радар эффективно работает в условиях плохой видимости, включая пыль, дождь и туман, благодаря своей большой длине волны. Кроме того, передовые 4D-радарные системы, такие как Arbe Robotics, ориентированы на повышение разрешения за счет улучшения качества данных и повышения точности классификации объектов.
• Камеры (системы компьютерного зрения): они предоставляют увеличенные визуальные данные, имеющие решающее значение для обнаружения пешеходов, разметки полос и дорожных знаков с помощью сверточных нейронных сетей (CNN). Например, система полного автономного вождения (FSD) Tesla в значительной степени зависит от 8 окружающих камер для получения 360-градусного обзора. Кроме того, согласно исследованию, проведенному IEEE в 2023 году, суровые погодные условия, такие как усиление осадков, снижают точность идентификации объектов с помощью камер почти на 40% при скорости 80 мм/ч, что подчеркивает необходимость объединения данных с датчиков для автономных транспортных средств.
• Ультразвуковые датчики: они используют звуковые волны для обнаружения на коротких расстояниях до 5 метров, что делает их подходящими для маневрирования на низких скоростях, а также для помощи при парковке. Они чрезвычайно экономичны и обеспечивают стандартную производительность в любых погодных условиях. Однако эти датчики имеют ограниченный радиус действия, что ограничивает их дополнительные функции. Кроме того, согласно отчету, опубликованному Bosch в 2024 году, ультразвуковые датчики установлены более чем в 80% новейших автомобилей, оснащенных системами ADAS, что демонстрирует их широкое применение для обнаружения объектов на близком расстоянии.

Как искусственный интеллект обрабатывает данные с датчиков в режиме реального времени?

Автономные транспортные средства полагаются на искусственный интеллект, который способен понимать данные датчиков и действовать в соответствии с ними в течение миллисекунд, быстрее, чем водители-люди. Объединяя усилия многочисленных датчиков и интегрируя передовые алгоритмы, ИИ обеспечивает точное принятие решений в режиме реального времени, что имеет решающее значение для безопасности.

Слияние данных с датчиков: объединение нескольких потоков данных.

Как правило, один датчик не обеспечивает широкого обзора окружающей среды, поэтому ИИ объединяет данные с ультразвуковых датчиков, камер, радаров и лидаров для преодоления ограничений, связанных с использованием отдельных датчиков. Например, лидар обеспечивает детальное 3D-картирование, а камеры предоставляют подробную информацию, включая цвета светофоров. Кроме того, согласно статье, опубликованной Министерством транспорта США в 2022 году, объединение данных с разных датчиков может снизить количество ошибок классификации объектов почти на 60% по сравнению с системами, использующими один датчик.

Время отклика ИИ по сравнению со временем реакции человека

Согласно отчету NHTSA за 2021 год, искусственный интеллект эффективно обрабатывает данные и реагирует на опасности за 100–200 миллисекунд, в то время как водители-люди в среднем тратят на это 1,5 секунды в случае чрезвычайных ситуаций. Кроме того, согласно исследованию, опубликованному IIHS в июне 2020 года, было продемонстрировано, что автономные транспортные средства, оснащенные технологией объединения данных с датчиков, могут предотвратить примерно 34% столкновений и более 5000 аварий, вызванных запоздалой реакцией человека. В дополнение к этому, Национальный научный фонд в 2023 году отметил, что инновации в области периферийных вычислений в настоящее время позволяют автономным транспортным средствам принимать решения быстрее, чем более ранние модели, что свидетельствует о значительном улучшении предотвращения столкновений.

Будущее искусственного интеллекта и сенсорных технологий в автономных транспортных средствах

В предстоящем десятилетии ожидается кардинальное развитие технологий автономных транспортных средств, во многом благодаря революционным разработкам в области сенсорных систем и систем искусственного интеллекта. В этом контексте два важнейших события существенно изменят ход эволюции:

• Роль 5G и V2X (связь «автомобиль-все»): связь V2X и сети 5G готовы обеспечить обмен данными в режиме реального времени между дорожной инфраструктурой, светофорами и транспортными средствами, чтобы уменьшить зависимость от бортовых датчиков. Министерство транспорта США в апреле 2023 года подсчитало, что к концу 2030 года V2X позволит предотвратить почти 615 000 аварий в год. Кроме того, в 2022 году Ассоциация автомобильной промышленности 5G сообщила о задержке менее 1 миллисекунды, что позволяет мгновенно оповещать о рисках, что особенно важно для высокоскоростной автономной езды.
• Внедрение автономности 5-го уровня: В настоящее время Cruise и Waymo намеренно работают на основе прототипов 4-го уровня, поэтому большинство экспертов прогнозируют широкое внедрение автономности 5-го уровня в 2030-2035 годах. Кроме того, согласно отчету AAA за февраль 2025 года, почти 13% водителей в США предпочитают беспилотные автомобили, что на 9% больше, чем в предыдущие годы. Однако, как указано в отчете McKinsey за август 2023 года, 95% новейших автомобилей будут коммерциализированы к 2030 году, из которых 12% будут оснащены автономностью 3-го или 4-го уровня.

Перспективы развития автономных транспортных средств с искусственным интеллектом.

Автономные транспортные средства представляют собой необычайный синтез искусственного интеллекта и точности датчиков, особенно в части их согласованной работы по распознаванию, выбору и управлению дорогой. Однако, несмотря на быстрый прогресс, создание технологии автономного вождения остается непрерывным процессом. Это включает в себя ряд проблем, в том числе сохраняющийся общественный скептицизм, нормативные препятствия и нестандартные сценарии. Хотя ИИ потенциально может сделать дороги более безопасными и упорядоченными, эволюция к полной автономности требует дальнейшей революции и социальных изменений. Находясь на стыке этого транспортного подъема, остается один вопрос: хотели бы вы видеть автомобиль, который едет сам, или вы по-прежнему предпочитаете управление человеком? Ответ на этот вопрос может определить будущее мобильности.