Autonomiczne auto od kuchni to podróż w głąb systemu, który łączy precyzyjne czujniki, uczenie maszynowe, logikę planowania i restrykcyjne normy bezpieczeństwa. Wbrew pozorom nie jest to jedna „magiczna” sztuczna inteligencja, lecz zestaw współpracujących modułów, które w milisekundach odpowiadają na tysiące pytań: Gdzie jestem? Co widzę? Co za chwilę zrobi ten pieszy lub kierowca w sąsiednim pasie? Jaka trajektoria będzie płynna, legalna i bezpieczna? W tym przewodniku pokazujemy, jak działa autonomiczny samochód bez kierowcy – od danych surowych po decyzje na asfalcie.
Mapa drogowa artykułu: od zmysłów do decyzji
W kolejnych sekcjach przejdziemy przez kluczowe elementy architektury: czujniki (kamery, lidar, radar, ultradźwięki, GNSS/IMU), percepcję i fuzję danych, lokalizację i mapy HD, planowanie i sterowanie, a także bezpieczeństwo funkcjonalne, walidację, symulację i regulacje prawne. Zobaczysz, jak komponenty składają się w działającą całość i co ogranicza ich możliwości w realnym świecie.
Poziomy autonomii i pole działania (ODD)
Międzynarodowa skala SAE J3016 wyróżnia poziomy autonomii od 0 do 5. Praktyka rynku skupia się dziś na poziomach 2–4, gdzie systemy wspomagają lub przejmują jazdę w określonych warunkach. Krytycznym pojęciem jest ODD (Operational Design Domain) – zestaw warunków, w których system może bezpiecznie działać: rodzaj dróg, ograniczenia prędkości, pogoda, pora dnia, natężenie ruchu czy geometria infrastruktury. To właśnie ODD dyktuje, jak, gdzie i kiedy auto bez kierowcy może poruszać się samodzielnie.
- Poziom 2: asysta kierowcy (utrzymanie pasa, tempomat adaptacyjny); kierowca odpowiada za nadzór.
- Poziom 3: warunkowa autonomia; system prowadzi i monitoruje, ale może poprosić o przejęcie sterów (np. ALKS, UNECE R157).
- Poziom 4: pełna autonomia w wybranym ODD (np. robotaxi w konkretnym mieście i pogodzie).
- Poziom 5: autonomia zawsze i wszędzie – cel długoterminowy, jeszcze nieosiągnięty.
Zmysły pojazdu: czujniki, które widzą więcej niż oczy
Każdy moduł decyzyjny zaczyna od danych. Autonomiczne auta stosują komplementarność czujników: kamery świetnie interpretują kolory i tekst, lidar daje dokładną geometrię 3D, radar „widzi” w deszczu i mierzy prędkości obiektów, a ultradźwięki wspierają manewry przy małych prędkościach. Pozycję stabilizują GNSS z RTK i IMU. Coraz częściej dochodzi V2X – komunikacja z infrastrukturą i innymi pojazdami.
Kamery: kolory, tekst i kontekst
Kamery dostarczają obrazy RGB i (opcjonalnie) NIR, które trafiają do sieci neuronowych. Umożliwiają rozpoznawanie znaków drogowych, sygnalizacji świetlnej, pasów ruchu, a także klasyfikację pojazdów, pieszych i rowerzystów. Dzięki dużej rozdzielczości i niskim kosztom są podstawą percepcji, choć ich działanie ogranicza olśnienie, mgła czy śnieg.
LiDAR: geometra świata w chmurze punktów
LiDAR emituje impulsy laserowe i mierzy czasy powrotu, tworząc gęstą chmurę punktów 3D. Zaletą jest precyzyjna odległość i niezależność od koloru czy oświetlenia. Wady: cena, zasięg przy złej pogodzie, artefakty na deszczu. Sieci 3D (np. PointNet++, VoxelNet) i fuzja kamer z lidarem pozwalają wykrywać obiekty i ich bryły w przestrzeni.
Radar: prędkość i odporność na pogodę
Radar FMCW mierzy odległość i prędkość względną obiektów poprzez efekt Dopplera. Jest odporny na deszcz i śnieg, ale ma mniejszą rozdzielczość kątową od kamer i lidaru. Nowoczesne radary z obrazowaniem 4D poprawiają rozróżnialność w zatłoczonych scenach.
Ultradźwięki: bliski kontakt
Ultradźwięki królują w manewrach parkingowych i przy niskich prędkościach, wykrywając przeszkody na kilkadziesiąt centymetrów do kilku metrów. Dostarczają prostych, ale pewnych informacji o bardzo bliskim otoczeniu.
GNSS RTK i IMU: centymetry i ciągłość
GNSS z korekcją RTK (Real-Time Kinematic) daje pozycję z dokładnością do kilku centymetrów, gdy warunki satelitarne są sprzyjające. IMU (akcelerometry, żyroskopy) zapewnia ciągłość pozycjonowania podczas utraty sygnału (tunel, „kanion miejski”), a filtry estymacji (np. ekst. filtr Kalmana) łączą dane w spójny stan pojazdu.
V2X: widzieć za róg
Komunikacja V2X (Vehicle-to-Everything) umożliwia wymianę ostrzeżeń o zagrożeniach, sygnałów z sygnalizacji i informacji o nadchodzących pojazdach uprzywilejowanych. Gdy linia wzroku jest zasłonięta, dane V2X potrafią „przedłużyć” percepcję.
Synchronizacja czasowa i kalibracja
Kluczem jest precyzyjna synchronizacja znaczników czasu (np. PTP), kalibracja wewnętrzna i wzajemna (kamery–lidar–radar). Bez tego fuzja danych traci sens – system musi łączyć próbki z tej samej chwili i wiedzieć, jak czujniki są względem siebie ustawione.
Percepcja: jak auto widzi i rozumie świat
Percepcja przekształca surowe dane w opis sceny: tor drogi, obiekty, ich klasy, pozycje i prędkości. To odpowiedź na pierwszą część pytania: jak działa autonomiczny samochód bez kierowcy w swojej warstwie odbioru świata? Poniżej najważniejsze klocki.
Detekcja obiektów i rozpoznawanie
Sieci konwolucyjne (CNN) i ich pochodne (np. YOLO, Faster R-CNN, DETR) wykrywają pojazdy, pieszych, rowery, motocykle, wózki, zwierzęta oraz odczytują semafory i znaki. Modele uczone na zróżnicowanych danych (różne pory dnia, warunki, geografie) redukują błędy generalizacji. Wykorzystuje się też techniki self-supervised i semi-supervised do skalowania zbiorów.
Segmentacja semantyczna i instancji
Segmentacja dzieli obraz (lub przestrzeń) na kategorie: jezdnia, pobocze, chodnik, pas zieleni, krawężnik, znaki poziome. Segmentacja instancji rozróżnia poszczególne obiekty tej samej klasy (np. dwóch pieszych). Ułatwia to rozumienie dopuszczalnych obszarów ruchu.
Chmury punktów i percepcja 3D
Lidar dostarcza 3D, ale łączenie go z kamerami poprawia identyfikację obiektów i szacowanie brył 3D (tzw. multi-modal fusion). Algorytmy wykrywają także krawężniki, wysepki, barierki i inne elementy infrastruktury.
Śledzenie i predykcja zamiarów
Po detekcji przychodzi śledzenie (estymacja torów w czasie) oraz predykcja – przewidywanie kilku możliwych przyszłości (rozkłady multimodalne). Modele sekwencyjne (RNN, Transformer), grafowe (GNN) i metody probabilistyczne szacują, jak mogą zachować się piesi i kierowcy. W gęstym ruchu zachowania są interaktywne: decyzje naszego pojazdu wpływają na innych, co uwzględnia się w predykcjach.
Fuzja danych i estymacja stanu
Fuzja czujników scala informacje w spójny obraz. Klasyka to filtry Kalmana (EKF/UKF) i filtry cząsteczkowe. Nowe podejścia „uczą fuzji” w sieciach neuronowych (early/mid/late fusion), zachowując jednak warstwy probabilistyczne dla niepewności. Wynikiem jest lista obiektów ze stanami (pozycja, prędkość, orientacja) i mapy wolnej przestrzeni.
Lokalizacja i mapy: gdzie dokładnie jestem?
Bez dokładnej pozycji nawet najlepsza percepcja nie wystarczy. Moduł lokalizacji odpowiada na pytanie „gdzie jestem?” w układzie mapy oraz „jak jadę?” w układzie drogi.
Mapy HD i SLAM
Mapy HD zawierają szczegółową geometrię pasa ruchu, ograniczenia prędkości, pozycje znaków, semaforów i elementów statycznych. Lokalizacja w mapie HD przypomina dopasowywanie odcisków palców: pojazd porównuje aktualną chmurę punktów i cechy wizualne do mapy. Gdy mapy są niepełne, stosuje się SLAM (jednoczesna lokalizacja i mapowanie), aby budować i aktualizować środowisko „w locie”.
Pozycjonowanie na centymetry
Łączenie GNSS RTK, IMU, odometrii kół i dopasowania do mapy pozwala uzyskać ciągłą, centymetrową pozycję – również w tunelach czy wąskich ulicach. System utrzymuje nie tylko pozycję globalną, ale też określa dokładny pas ruchu.
Aktualizacje map i spójność floty
Mapy HD nie są statyczne. Zmiany w organizacji ruchu, remonty, nowe oznaczenia wymagają szybkich aktualizacji. Flotowe podejście zbiera anonimowe dane z wielu pojazdów i aktualizuje mapę w chmurze. Aktualizacje OTA dystrybuują pakiety map i modeli do aut w terenie, utrzymując spójność wiedzy.
Planowanie i decydowanie: jak z danych robi się jazda
Skoro wiemy, co jest wokół i gdzie jesteśmy, pora podjąć decyzję: jak jechać. Na tym poziomie rozstrzygamy, jak działa autonomiczny samochód bez kierowcy w części „rozumowania”. Architektura zwykle dzieli się na warstwy: behawioralną, planowania lokalnego i generowania trajektorii.
Planowanie behawioralne
To „mózg wysokiego poziomu”, który wybiera manewry zgodne z prawem i komfortem: utrzymanie pasa, zmiana pasa, wjazd na rondo, ustąp pierwszeństwa, zatrzymanie przed przejściem. Uwzględnia priorytety bezpieczeństwa, przepisy, mapę HD, kontekst sygnalizacji i zachowania innych. Często realizowane jest poprzez maszyny stanów, grafy decyzyjne lub polityki uczone (np. uczenie ze wzmocnieniem i imitation learning), przy czym systemy produkcyjne łączą metody uczenia z regułami bezpieczeństwa.
Planowanie trajektorii i unikanie kolizji
Warstwa lokalna generuje trajektorię – gładką, dynamicznie wykonalną ścieżkę w czasie i przestrzeni, minimalizującą ryzyko i dyskomfort. Wykorzystuje klasyczne A*, D*, RRT* do wyznaczenia korytarza wolnej przestrzeni, a następnie optymalizację (np. MPC – Model Predictive Control) z ograniczeniami: przyspieszenia, prędkości, zapas do przeszkód, przepisy. W zatłoczonych warunkach rozważa się game-theoretic planning lub planowanie z uwzględnieniem intencji innych (coupled predictions).
Prawo, etykieta i komfort
Podejmując decyzje, auto respektuje kodeks drogowy i tzw. „etykietę drogową” – płynność, uprzejmość, przewidywalność. Komponent risk assessment ciągle ocenia marginesy bezpieczeństwa, a funkcje fallback w razie niepewności wybierają „miękkie” strategie: redukcja prędkości, rezygnacja z manewru, bezpieczny zjazd na pobocze.
Sterowanie i wykonanie: jak decyzje zamieniają się w ruch
Gdy trajektoria jest gotowa, sterowanie zamienia ją na polecenia dla pojazdu: skręt, moment napędowy, hamowanie. To miejsce, gdzie teoria spotyka się z praktyką kół i asfaltu.
Kontrolery PID i MPC
PID (proporcjonalno–całkująco–różniczkujący) to filar wielu układów, zapewnia prostotę i przewidywalność. W trudniejszych manewrach stosuje się MPC, który „patrzy w przód”, przewiduje dynamikę i szanuje ograniczenia. Współczesne pojazdy korzystają z drive-by-wire (elektronicznego sterowania układami), z redundancją kanałów i nadzorem błędów.
Redundancja i bezpieczeństwo wykonania
Autonomiczny układ hamulcowy, kierowniczy i napędowy ma rezerwy: podwójne czujniki, niezależne zasilanie, kanały komunikacji i tryby awaryjne. W razie usterki system potrafi utrzymać kontrolę lub zatrzymać się w bezpieczny sposób.
Komputery i oprogramowanie: mózg i nerwy
„Silnikiem” jest platforma obliczeniowa: układy SoC/GPU/TPU do głębokich sieci, akceleratory DSP do przetwarzania sygnałów, kontrolery czasu rzeczywistego dla bezpieczeństwa. Oprogramowanie korzysta z RTOS i standardów branżowych: AUTOSAR, ROS 2 na warstwie aplikacyjnej, DDS do komunikacji o niskich opóźnieniach. Krytyczne są zarządzanie pamięcią, deterministyczne opóźnienia, a także monitoring zdrowia (health checks) komponentów.
Architektura i przepływy danych
Dane płyną potokami: czujniki → synchronizacja → percepcja → fuzja → lokalizacja → planowanie → sterowanie. Każdy moduł publikuje wiadomości z metadanymi o niepewności. Rejestracja surowych danych (data logging) umożliwia późniejszą analizę i ulepszanie algorytmów w procesie iteracyjnym.
Cyberbezpieczeństwo
Samochody autonomiczne to komputery na kołach. Bezpieczeństwo cybernetyczne obejmuje izolację domen, bezpieczny rozruch (secure boot), szyfrowanie, uwierzytelnianie, detekcję intruzów (IDS) i segmentację sieci. Aktualizacje OTA muszą być podpisane kryptograficznie, a systemy wykrywać anomalie, które mogłyby świadczyć o atakach na czujniki lub komunikację V2X.
Bezpieczeństwo funkcjonalne i SOTIF: od ryzyka do dowodu
Technologia w pojeździe musi spełnić surowe normy. Dwa kamienie węgielne to ISO 26262 (bezpieczeństwo funkcjonalne układów elektrycznych/elektronicznych) i SOTIF (Safety Of The Intended Functionality). Pierwsza zarządza ryzykiem awarii sprzętu/softu; druga adresuje ryzyka wynikające z niedostatecznej wydajności funkcji (np. rzadkie scenariusze, złe dane wejściowe, niejednoznaczność sytuacji).
Hazard analysis i architektura bezpieczeństwa
Inżynierowie wykonują analizę HARA, klasyfikują poziomy ASIL i projektują redundancję tak, by pojedyncze usterki nie prowadziły do niebezpiecznych zdarzeń. Kluczowe są mechanizmy detekcji błędów, degradacji do trybów bezpiecznych i fail-operational w poziomach wyższej autonomii.
Walidacja, symulacja i „cyfrowe bliźniaki”
Nie da się przejechać wszystkich możliwych scenariuszy na drogach. Stosuje się więc symulacje (np. CARLA, LGSVL, PreScan), digital twins infrastruktury, scenariusze graniczne i domain randomization. Testy łączą tor, ulicę i chmurę. Tryb shadow mode pozwala porównywać decyzje algorytmów z zachowaniami kierowców bez ingerowania w jazdę – to bezpieczny sposób na zbieranie danych o błędach.
Flota, OTA i uczenie ciągłe
Zebrane dane trafiają do potoku ML: czyszczenie, anotacja (także z pomocą narzędzi półautomatycznych), trening, walidacja, A/B testy i bezpieczne wdrożenia OTA. Flotowe uczenie „hartuje” modele na trudne przypadki (np. nieoczywiste gesty pieszych, specyficzne oznakowania). Wspomagane jest teleoperacją w ściśle określonych wyjątkach – operator może udzielić wskazówki, a auto wykona manewr lokalnie.
Regulacje: UNECE R157 (ALKS) i dalej
Regulaminy typu UNECE R157 (ALKS) wyznaczają, kiedy i jak systemy poziomu 3 mogą działać (np. autostrady, określona prędkość). W miastach i dla poziomu 4 stosuje się dedykowane procesy homologacyjne i nadzór operacyjny, często ograniczony do wybranego ODD.
Granice technologii: pogoda, okluzje i „czarne łabędzie”
Nawet najlepsze systemy zmagają się z mgłą, śniegiem, oślepiającym słońcem, brudnymi soczewkami, nietypowymi obiektami czy nielegalnymi manewrami innych. Okluzje (zasłonięty pieszy za furgonetką) wymuszają planowanie z niepewnością i konserwatywne prędkości. Systemy uczą się wykrywać i komunikować własną niepewność, a w razie wątpliwości – zwalniać lub zatrzymać się.
End‑to‑end czy modularnie? Dwa podejścia do inteligencji
Klasyczna architektura jest modularna: percepcja → planowanie → sterowanie. Nowe badania proponują end‑to‑end (od czujników do sterów), często z komponentem world model. W praktyce produkcyjnej dominuje podejście hybrydowe: uczenie maszynowe dla percepcji i predykcji, optymalizacja i reguły dla bezpieczeństwa i zgodności z prawem. Pozwala to lepiej dowodzić bezpieczeństwa i diagnozować błędy.
Przykład z drogi: niekontrolowane skrzyżowanie
Wyobraźmy sobie skrzyżowanie równorzędne bez sygnalizacji. Jak przebiega decyzja?
- Percepcja: wykrywa pojazdy nadjeżdżające z czterech stron, pieszych przy krawężnikach, rowerzystę z prawej. Segmentacja wyznacza granice jezdni i linię widoczności.
- Predykcja: estymuje, że auto z lewej zwalnia (lampy hamulcowe, profil prędkości), pieszy czeka, rowerzysta przyspiesza.
- Planowanie behawioralne: stosuje zasadę prawej ręki, nadanie pierwszeństwa rowerzyście, rozważa okno czasowe na wjazd.
- Trajektoria: MPC generuje płynny wjazd z rezerwą na niepewność ruchu rowerzysty (poszerzony korytarz bezpieczeństwa).
- Sterowanie: ograniczenie przyspieszenia poprzecznego i wzdłużnego dla komfortu, monitorowanie toru i gotowość do hamowania awaryjnego.
Ten scenariusz dobrze ilustruje, jak działa autonomiczny samochód bez kierowcy: od postrzegania, przez przewidywanie, po działanie z marginesem bezpieczeństwa.
User experience i interakcja z człowiekiem
Nawet w pełni autonomicznym trybie ważna jest komunikacja z pasażerami i otoczeniem. HMI prezentuje powody decyzji (np. „ustępuję pieszemu”), status systemu, pozostałość do celu. Na zewnątrz pomocne są sygnały intencjonalne (wyświetlacze, światła komunikacyjne), które poprawiają zrozumienie zachowań pojazdu przez pieszych i kierowców.
Ekonomia, energia i zrównoważony rozwój
Komputery pokładowe są energochłonne; optymalizacje modeli, dedykowane akceleratory i zarządzanie termiczne obniżają zużycie. Z perspektywy floty, robotaxi lub dostawy autonomiczne zmieniają strukturę kosztów (CAPEX na pojazdy i infrastrukturę vs OPEX na utrzymanie, dane i łączność). Zarządzanie flotą wykorzystuje analitykę predykcyjną do serwisowania i ładowania (w pojazdach elektrycznych).
Proces ML i dane: paliwo inteligencji
Na pytanie, jak działa autonomiczny samochód bez kierowcy, nie można odpowiedzieć bez danych. Rurociąg danych obejmuje:
- Zbieranie: wieloczujnikowe logi w różnych ODD, zdarzenia graniczne, długi ogon rzadkich sytuacji.
- Anotację: narzędzia 2D/3D, aktywne uczenie, walidacja jakości etykiet.
- Trening: rozproszone klastry GPU/TPU, harmonizacja domen (miasto, autostrada, zima/lato).
- Walidację: klasyczne metryki (mAP, IoU) oraz risk‑based KPI powiązane z bezpieczeństwem.
- Wdrażanie: kompresja modeli (pruning, quantization), testy HIL/SIL, monitorowanie dryfu danych.
Jak system radzi sobie z niepewnością?
Niepewność jest wszechobecna: pomiary czujników, nieprzewidywalność ludzi, zmienność pogody. System modeluje niepewność w percepcji (rozrzuty detekcji), predykcji (scenariusze alternatywne) i planowaniu (koszty ryzyka). Wzmacnia to strategie ostrożne w gorszych warunkach i pozwala operatorowi floty ustawić politykę „bezpieczniej vs szybciej”.
Gdzie w tym wszystkim sztuczna inteligencja w motoryzacji?
Sztuczna inteligencja jest kręgosłupem percepcji, predykcji, częściowo planowania i diagnostyki systemów. W motoryzacji musi jednak współgrać z rygorami inżynierii bezpieczeństwa: wyjaśnialność tam, gdzie to możliwe, monitorowanie odchyleń, limity działania i reguły guardrails, które nie pozwolą modelom uczyć się zachowań sprzecznych z prawem lub etyką ruchu.
Najczęstsze mity i realia
- Mit: „Wystarczy kamera i duża sieć neuronowa”. Fakt: różnorodność czujników i redundancja są kluczowe dla bezpieczeństwa.
- Mit: „AI rozwiąże wszystko sama”. Fakt: potrzeba reguł, walidacji, norm, testów i inżynierii systemowej.
- Mit: „Poziom 5 tuż za rogiem”. Fakt: przejście poza ODD to wciąż otwarte wyzwanie techniczne i regulacyjne.
FAQ: krótko o kluczowym pytaniu
Jak działa autonomiczny samochód bez kierowcy? Łączy dane z kamer, lidaru, radarów, ultradźwięków i GNSS/IMU, aby zobaczyć i zrozumieć otoczenie; lokalizuje się na mapach HD; przewiduje zachowania innych; planuje bezpieczną, płynną trajektorię i steruje napędem, hamulcami i kierownicą. Nad wszystkim czuwa inżynieria bezpieczeństwa (ISO 26262, SOTIF), testy i nadzór operacyjny.
Czy to legalne? W ograniczonym ODD – tak, zgodnie z lokalnymi przepisami (np. UNECE R157 dla ALKS). Poziom 4 wymaga specyficznych zezwoleń i operacji w zdefiniowanych strefach.
Co gdy system się pomyli lub pogoda jest zła? System komunikuje niepewność, degraduje działanie (wolniej, ostrożniej), może wykonać bezpieczny zjazd do zatrzymania. W tle działa flotowe doskonalenie i aktualizacje OTA.
Złożony przykład: robotaxi nocą w deszczu
Noc, mokry asfalt, odbicia świateł. Radar podtrzymuje świadomość obiektów mimo szumów optycznych, lidar redukuje zasięg, ale wciąż buduje geometrię. Kamery z HDR rozpoznają semafory, a fuzja nadaje wiarygodności każdemu źródłu w zależności od warunków. Planowanie ogranicza prędkość i wydłuża odstępy, MPC łagodnie prowadzi po mokrej jezdni, a model predykcyjny ludzi przewiduje wolniejszy chód pieszych z parasolami. Jeśli okluzje rosną – auto czeka, aż uzyska lepszą widoczność. To praktyczny przykład, jak działa autonomiczny samochód bez kierowcy w trudnych warunkach.
Teleoperacja i centra wsparcia
W operacjach komercyjnych stosuje się teleoperację jako mechanizm wsparcia w rzadkich sytuacjach (np. nietypowe objazdy). Operator nie steruje ciągle, ale udziela wskazówek na poziomie celu lub manewru; pojazd wykonuje je lokalnie, zachowując ograniczenia bezpieczeństwa i opóźnienia łącza.
Co dalej? Trendy i horyzont innowacji
- Modele fundacyjne łączące obraz, chmury punktów i język, by lepiej rozumieć kontekst drogowy.
- Więcej V2X: sygnalizacja nadająca czasy zmiany świateł, ostrzeżenia o wypadkach za zakrętem.
- Lepsza efektywność: mniejsze, szybsze modele na dedykowanych akceleratorach.
- Standaryzacja bezpieczeństwa AI: metody dowodzenia poprawności modelu w określonym ODD.
- Mapy dynamiczne: bieżące dane o pasach ruchu, remontach i ograniczeniach.
Podsumowanie: od danych do decyzji
Autonomiczna jazda to współpraca czujników, algorytmów i inżynierii systemowej. Percepcja mówi, co jest wokół; lokalizacja – gdzie jesteśmy; predykcja – co się stanie; planowanie – jak jechać; sterowanie – jak to wykonać; a bezpieczeństwo i regulacje tworzą ramy zaufania. Dzięki temu możemy zrozumieć, jak działa autonomiczny samochód bez kierowcy nie jako jednorodna AI, lecz jako zespół sprawdzonych metod, które razem bezpiecznie dowożą pasażerów do celu.
Słowa kluczowe i powiązane zagadnienia: samochody autonomiczne, auto bez kierowcy, sztuczna inteligencja w motoryzacji, lidar, radar, fuzja danych, mapy HD, poziomy autonomii SAE, planowanie trasy, sterowanie pojazdem, bezpieczeństwo funkcjonalne, ISO 26262, SOTIF, V2X, cyberbezpieczeństwo, aktualizacje OTA, shadow mode, teleoperacja, ODD, percepcja, lokalizacja, SLAM, uczenie maszynowe, sieci neuronowe, MPC, PID, A*, RRT*, D*, GNSS RTK, IMU, ROS 2, DDS, AUTOSAR, UNECE R157, ALKS.
