Jak auto „vidí“ svět kolem sebe
Autonomní vůz nespoléhá na jeden senzor, ale na několik vrstev vnímání. Základ tvoří kamery, které zachycují barvy, pruhy, dopravní značky, semafory a pohyb ostatních účastníků provozu. Radar měří vzdálenost a rychlost objektů, lidar pomocí laserových paprsků vytváří přesný 3D model okolí a ultrazvukové senzory pomáhají hlavně při pomalém manévrování a parkování.
Každý z těchto systémů má jinou úlohu. Kamera poskytuje nejvíc detailů, ale hůř funguje ve tmě a proti oslnění. Radar naopak dobře „vidí“ i v dešti a mlze, jenže neumí tak přesně rozlišit tvar objektů. Lidar je velmi přesný, ale je drahý a jeho výkon snižují srážky, zejména silný déšť nebo sněžení, protože laserový paprsek se rozptyluje na kapkách vody.
Výrobci proto kombinují data z více zdrojů. Tomuto postupu se říká fúze senzorů. Software porovnává, co ukazuje kamera, radar i lidar, a snaží se vytvořit co nejspolehlivější obraz situace. Pokud jeden senzor selhává nebo je „oslepený“, ostatní mu mají pomoci zachovat bezpečné rozhodování.
Od obrazu k rozhodnutí: co dělá software
Samotné „vidění“ je jen první krok. V útrobách auta běží výkonné výpočetní jednotky, které v řádu milisekund vyhodnocují, co je na silnici, jak se objekty pohybují a co může nastat za několik sekund. Algoritmy využívají strojové učení a neuronové sítě trénované na milionech až miliardách záběrů z reálného provozu i simulací.
Software nejprve rozpozná objekty: auto, motorku, chodce, cyklistu, dopravní kužel nebo například zaparkované vozidlo. Pak odhaduje jejich trajektorii. Pokud chodec stojí u krajnice a dívá se do vozovky, systém vyhodnocuje vyšší riziko vstupu do jízdního pruhu. Pokud vůz před ním zpomaluje, auto musí přizpůsobit rychlost a odstup. Celý proces se opakuje neustále, často desetkrát až stokrát za sekundu.
V praxi to znamená, že autonomní auto nevnímá svět jako člověk, který si řekne: „Tam je cyklista.“ Místo toho pracuje s pravděpodobností. Určuje, s jakou jistotou je určitý objekt skutečně cyklista, jak se může pohybovat a jaké manévry jsou bezpečné. Čím horší jsou podmínky, tím víc systém spoléhá na opatrnost a omezuje rychlost.
Proč jsou deštivé noci tak těžké
Deštivá noc je pro strojové vidění kombinací několika problémů najednou. Tma snižuje kvalitu obrazu z kamer, déšť vytváří na skle kapky, odlesky a rozmazané stopy a mokrá vozovka odráží světla protijedoucích aut i signalizaci. To vše komplikuje rozpoznání pruhů, chodců i překážek.
Podle odborníků z oboru je problém zejména v tom, že kamera v noci pracuje s malým množstvím světla. I když moderní senzory zvládnou vyšší citlivost, za cenu většího šumu v obraze. Software pak hůře rozlišuje skutečný objekt od náhodného odlesku, kapky na objektivu nebo světelného „ducha“ od mokrého asfaltu.
Radar sice déšť snáší lépe než kamera, ale i on má limity. Silné srážky mohou vytvářet falešné odrazy a zhoršovat přesnost měření. Lidar zase v dešti zaznamenává rozptyl paprsků na kapkách, takže se snižuje dosah i přesnost 3D mapy okolí. Když se všechny tyto problémy sečtou, systém má méně jistoty a musí více zpomalovat.
Výsledek je jednoduchý: to, co za jasného dne funguje na desítky až stovky metrů, může v dešti a za tmy ztrácet spolehlivost na mnohem kratší vzdálenost. A právě v tom spočívá největší riziko. Autonomní auto nesmí jen „vidět dost“, ale musí vidět dostatečně spolehlivě, aby mohlo bezpečně rozhodnout o brzdění, změně jízdního pruhu nebo zastavení.
Co zlobí na mokré silnici nejvíc
Problémem nejsou jen senzory, ale i samotné prostředí. Mokrá vozovka mění kontrast scén. Bílé čáry mohou být hůř čitelné, zejména když jsou opotřebované. Pruhy zakrývá voda, bláto nebo sníh rozježděný pod koly. V noci se navíc světla odrážejí od kaluží a vytvářejí klamné obrazce, které mohou algoritmy zmást.
Významnou roli hrají i špinavá čelní skla a kryty senzorů. V dešti se na kamerách a lidearech usazuje voda, prach a zbytky provozu. Pokud systém nemá účinné čištění, například ostřikovače nebo vyhřívání, kvalita vstupních dat rychle klesá. U některých vozů proto výrobci instalují speciální kryty, samočisticí prvky nebo senzory umisťují tak, aby byly co nejvíc chráněné před nečistotami od kol.
Další komplikací je oslnění. Světlomety protijedoucích aut, odrazy od mokrých značek a reflexních prvků mohou na kamerách vytvářet přepaly. Software pak musí odlišit skutečné objekty od přezářených ploch. To je problém i pro lidského řidiče, ale u stroje je obtížnější, protože pracuje s přesně definovanými daty a nesmí spoléhat na intuici.
Jak se systémy učí z chyb
Výrobci i vývojáři autonomních systémů investují do testování v extrémních podmínkách. Autonomní flotily najíždějí miliony kilometrů v různých počasích, aby software získal dost dat z deště, mlhy, sněžení i nočních jízd. Kromě reálného provozu se používají také simulátory, které dokážou napodobit kapky na objektivu, odlesky nebo prudké změny osvětlení.
Podstatná část vývoje se soustředí na to, aby auto poznalo, kdy si není jisté. Pokud algoritmus vyhodnotí scénu jako nejednoznačnou, měl by zpomalit, zvětšit odstup nebo předat řízení člověku. Tzv. fallback strategie jsou pro bezpečnost zásadní. Nejde jen o to správně identifikovat chodce, ale také umět přiznat, že v dané chvíli systém nevidí dost dobře.
V posledních letech se objevují i nové přístupy, které mají výpadky klasických kamer a lidarů zmírnit. Patří sem například termální kamery, jež pomáhají detekovat živé objekty v noci, nebo pokročilejší radarové systémy s vyšším rozlišením. Vývoj míří také k lepším čipům a rychlejším sítím, které zvládnou zpracovat více dat najednou a v kratším čase.
Kam se autonomní řízení posouvá dál
Na veřejných silnicích dnes fungují různé úrovně automatizace, ale plně bezobslužná jízda stále naráží hlavně na hraniční situace. Právě deštivé noci patří mezi ty, které odhalují limity současné techniky. Zatímco na dobře značené dálnici za denního světla mohou systémy zvládat velmi vysokou úroveň asistence, ve městě za deště a ve tmě se prostor pro chyby dramaticky zmenšuje.
Regulátoři i výrobci proto kladou důraz na bezpečnostní rezervy. V praxi to znamená, že i velmi pokročilé systémy často fungují jen v přesně vymezených podmínkách a při jejich zhoršení omezují funkce. Cílem není, aby auto jezdilo „za každou cenu“, ale aby dokázalo včas poznat své limity.
Strojové vidění v autonomních autech je tak současně jedním z největších technologických pokroků v dopravě i jedním z nejsložitějších problémů, které ještě nejsou vyřešené. Dokud budou kamery, radary a lidary bojovat s kapkami vody na objektivu, odlesky na asfaltu a tmou bez kontrastu, budou deštivé noci patřit k nejtěžším zkouškám samořiditelných aut.
