Развитие автономных транспортных средств не происходило по прямой линии от «систем помощи водителю» до «беспилотных автомобилей». Более понятным способом понять их эволюцию является конвергенция трех систем: обоснования безопасности, определяющего допустимые области применения автоматизации, платформы граничных вычислений, способной обрабатывать данные датчиков в режиме реального времени, и стека искусственного интеллекта, преобразующего эти данные в решения, касающиеся вождения.
По состоянию на сентябрь 2026 года большинство легковых автомобилей по-прежнему используют системы помощи водителю уровня 0–2, в то время как автоматизация уровня 4 применяется в основном в ограниченном объеме коммерческого транспорта, а не в качестве универсального средства передвижения для частных автомобилей. Национальное управление безопасности дорожного движения США (NHTSA) продолжает четко различать системы помощи водителю, требующие участия человека, и автоматизированные системы вождения, которые берут на себя управление автомобилем в определенных условиях.
| Уровень автоматизации | Кто выполняет задачу управления автомобилем? | Практическая интерпретация |
|---|---|---|
| Уровень 0 | Человек | Предупреждения или кратковременные вмешательства могут помочь, но за рулём остаётся водитель. |
| Уровень 1 | Человек с одной непрерывной функцией помощи | Помощь в управлении или помощь в ускорении/торможении, но не обе функции одновременно в рамках одной продолжительной работы. |
| Уровень 2 | Человек с помощью комбинированной поддержки | Система может непрерывно контролировать рулевое управление и скорость, но водитель должен следить за процессом. |
| Уровень 3 | Система в пределах определенной операционной области | Система ведет движение, когда включена, но человек должен быть готов взять управление на себя по запросу. |
| Уровень 4 | Система в пределах определенной операционной области | Во время работы системы в пределах утвержденных условий или зоны обслуживания участие человека-водителя не требуется. |
| Уровень 5 | Система везде, где транспортное средство может разумно функционировать. | Полная автоматизация без участия водителя-человека в любых дорожных и экологических условиях остается целью будущего. |
Терминология NHTSA полезна, поскольку предотвращает распространенную ошибку: отношение к высокоэффективной функции 2-го уровня как к автономному водителю. При практической оценке всегда следует задавать два вопроса: Кто отвечает за мониторинг дороги? и Что такое область проектирования? Область проектирования (ODD) — это набор типов дорог, скоростей, местоположений, погодных условий и других обстоятельств, в которых предполагается функционировать автоматизированная система.
Ранние передовые системы помощи водителю были относительно компактными: адаптивный круиз-контроль, система предупреждения о выезде из полосы движения, автоматическое экстренное торможение и система помощи при парковке. Эти функции могли быть построены на основе небольшого количества датчиков и специализированных электронных блоков управления.
Более совершенные системы объединяют камеры, радар, лидар (в некоторых вариантах), ультразвуковые датчики, инерциальные измерения, локализацию и информацию о карте или маршруте. Важный сдвиг заключается не просто в «большем количестве датчиков». Речь идет о переходе к единой модели окружающей среды, в которой система должна обнаруживать объекты, оценивать свободное пространство, понимать полосы движения и сигналы светофора, отслеживать движение, прогнозировать других участников дорожного движения и планировать безопасную траекторию.
Современные эталонные платформы иллюстрируют эту тенденцию. NVIDIA DRIVE Hyperion объединяет автомобильную вычислительную платформу с камерами, радаром, лидаром, ультразвуковыми датчиками и программным обеспечением для более высокого уровня автоматизации. Qualcomm Snapdragon Ride аналогичным образом описывает масштабируемые вычисления в автомобиле для объединения данных с датчиков, компьютерного зрения, систем помощи водителю и автоматизированного вождения. Это платформы от разных производителей, а не универсальные спецификации, но они показывают направление развития автомобильной архитектуры: централизованные, гетерогенные вычисления вместо множества изолированных контроллеров.
В автономном вождении «граничные вычисления» означают, что критически важная по времени задача распознавания и управления выполняется в автомобиле или в непосредственной близости от него, а не зависит от удаленного облачного сервиса. Это важно, поскольку торможение, рулевое управление, обнаружение объектов и планирование траектории должны продолжаться даже при задержках, перегрузках или отсутствии сотовой связи.
Полезное инженерное разделение выглядит следующим образом:
Это разделение заметно в современных автомобильных системах. Архитектура автомобильных вычислений NVIDIA явно отделяет вычисления в автомобиле от систем, используемых для обучения и моделирования. Автомобильная платформа Qualcomm также делает акцент на машинном обучении на устройстве и гетерогенных вычислениях, где ЦП, графические процессоры, нейронные процессоры, ускорители обработки изображений и блоки обработки, ориентированные на безопасность, обрабатывают различные рабочие нагрузки.
Система автономного вождения может обладать высокой точностью обнаружения объектов, но при этом оставаться небезопасной. Инженерные аспекты безопасности охватывают отказы в аппаратном и программном обеспечении, запланированном поведении, взаимодействии с человеком, кибербезопасности, обновлениях, эксплуатации, а также способности системы распознавать, когда она достигла своих пределов.
Стандарт ISO 26262 устанавливает основу функциональной безопасности для электрических и электронных систем транспортных средств, связанных с безопасностью. Он рассматривает опасности, возникающие из-за неисправностей, и структурирует работу по обеспечению безопасности на всех этапах: от концепции и системы до аппаратного и программного обеспечения, производства, эксплуатации и обслуживания. В настоящее время опубликовано второе издание, датируемое 2018 годом; ISO разрабатывает третье издание в течение 2026 года.
Безотказная работа оборудования не гарантирует безопасной работы. Камера может работать точно так, как задумано, но при этом не предоставлять достаточно информации в условиях бликов, сильного дождя, необычных конструкций или неоднозначной обстановки. Стандарт ISO 21448:2022 «Безопасность предполагаемой функциональности» (SOTIF) рассматривает риски, вызванные функциональными недостатками и предвидимым неправильным использованием, особенно в системах, ситуационная осведомленность которых зависит от сложных датчиков и алгоритмов.
Подключенные транспортные средства также нуждаются в безопасности на протяжении всего жизненного цикла. Стандарт ISO/SAE 21434:2021 определяет структуру проектирования кибербезопасности транспортных средств, а Регламент ООН № 156 регулирует управление обновлениями программного обеспечения. Это становится все более важным, поскольку поведение автоматизированного вождения меняется не только за счет нового оборудования транспортных средств, но и за счет выпуска новых версий программного обеспечения.
Предварительное тестирование необходимо, но недостаточно. Мониторинг после внедрения важен, поскольку редкие взаимодействия могут проявляться только после длительного периода реальной эксплуатации. В Соединенных Штатах третья поправка к Постоянному общему приказу NHTSA требует сообщать о некоторых авариях с участием систем ADAS 2-го уровня и автоматизированных систем вождения. На общедоступной странице агентства, посвященной отчетам об авариях, также предупреждается, что набор данных имеет ограничения, такие как неполные поля и возможное дублирование отчетов, поэтому необработанные данные не следует рассматривать как простую оценку безопасности системы.
Коммерческие автопарки 4-го уровня безопасности предоставляют еще один источник доказательств. Центр данных Waymo Safety Impact публикует сравнения пробега пассажиров и аварий в зонах своей деятельности. По данным на март 2026 года, компания сообщила о 220,6 миллионах миль пробега пассажиров. Эти результаты полезны, но их следует интерпретировать в контексте конкретных географических регионов, автопарка, условий эксплуатации, методологии сравнения и ODD, представленных данными, а не как доказательство того, что каждая автономная система безопаснее в любой среде.
Нейронные сети широко используются для распознавания транспортных средств, пешеходов, велосипедистов, границ дорог, светофоров, знаков и проезжей части. Многосенсорное слияние может уменьшить зависимость от какого-либо одного метода измерения, но также увеличивает требования к синхронизации, калибровке, вычислениям и проверке.
Традиционные системы автономного вождения часто разделяют восприятие, прогнозирование, планирование и управление на модульные компоненты. Такое разделение может упростить проверку интерфейсов и режимов отказов, но ошибки могут накапливаться в разных модулях. В более новых системах все чаще используется обучение планированию или сквозные модели, которые сопоставляют более широкий набор входных данных от датчиков с действиями водителя.
Это не означает, что отрасль отказалась от модульных структур безопасности. На самом деле, гибридные конструкции распространены. Текущая структура безопасности автономных транспортных средств от NVIDIA явно описывает стек, объединяющий модульные и сквозные модели ИИ. Qualcomm и Wayve также объявили о сотрудничестве в 2026 году по разработке сквозных систем ИИ для ADAS и автоматизированного вождения , что свидетельствует о приближении политики обучения вождению к программам серийного производства.
Ключевым ограничением является валидация. Модель, хорошо работающая на агрегированном эталонном тесте, может все еще давать сбои в критически важном для безопасности сценарии. Поэтому инженерным группам необходимы тестирование на основе сценариев, моделирование, тестирование на закрытых трассах, данные с дорог общего пользования, обработка неопределенностей, резервные варианты поведения и управление выпуском, а не полагаться на один единственный показатель точности.
Ситуация с регулированием остается неоднородной. В Соединенных Штатах Министерство транспорта в апреле 2025 года представило новую систему регулирования автоматизированных транспортных средств. 30 июля 2026 года NHTSA объявило об ускорении разработки своих первых стандартов производительности для автоматизированных транспортных средств . Эта формулировка имеет значение: в объявлении описывались стандарты, находящиеся в стадии разработки, а не завершенная универсальная система сертификации.
В Европейском Союзе уже существует более четкая структура типового одобрения. В обзоре Европейской комиссии по безопасности транспортных средств и автоматизированным/подключенным транспортным средствам поясняется, что Общий регламент по безопасности устанавливает рамки для автоматизированных и беспилотных транспортных средств, включая технические правила, касающиеся испытаний, кибербезопасности, записи данных, мониторинга безопасности и отчетности об инцидентах. В 2026 году ЕС снова обновил некоторые части рамочной системы одобрения полностью автоматизированных транспортных средств.
На уровне ООН Регламент ООН № 157 установил требования к автоматизированным системам удержания полосы движения, а работа ЕЭК ООН в 2026 году продолжилась в направлении более широкого регулирования автоматизированных систем вождения. Практическое следствие для инженерных групп заключается в том, что архитектура беспилотного автомобиля должна проектироваться не только для демонстрации, но и с учетом отслеживаемости, контроля конфигурации программного обеспечения, сбора доказательств инцидентов, кибербезопасности и воспроизводимых аргументов в пользу безопасности.
Наиболее сильная краткосрочная тенденция — это не внезапный скачок к неограниченному уровню 5, а постепенное расширение ограниченной автоматизации: улучшенные системы уровня 2, ограниченные функции уровня 3 и услуги уровня 4, расширяющие свои возможности от города к городу и от условия к условию. В то же время, аппаратное обеспечение транспортных средств консолидируется вокруг высокопроизводительных центральных вычислительных систем, а модели ИИ становятся больше, более интегрированными и более ориентированными на данные.
Это создает продуктивное противоречие. Искусственный интеллект может расширить возможности, но расширение возможностей увеличивает количество сценариев, которые необходимо проверить. Периферийные вычисления могут уменьшить задержку и зависимость от сети, но увеличение вычислительных мощностей создает проблемы с энергопотреблением, теплоотводом, резервированием и стоимостью. Программно-определяемые автомобили позволяют улучшать характеристики после продажи, но они также превращают вопросы выпуска, кибербезопасности и отката в проблемы безопасности.
Поэтому наиболее авторитетные программы по разработке автономных транспортных средств рассматривают безопасность, периферийные вычисления и интеграцию ИИ как единую систему. Цель состоит не просто в том, чтобы сделать транспортное средство «умнее». Цель состоит в том, чтобы сделать его возможности ограниченными, наблюдаемыми, проверяемыми, устойчивыми к сбоям и подкрепленными данными, которые остаются актуальными по мере развития программного обеспечения, оборудования и операционной системы.
Практическое руководство 2026 года по искусственному интеллекту, датчикам для умного дома, дистанционному мониторингу, безопасности при падениях, конфиденциальности и тому, как технологии могут поддерживать комфортное старение в привычной обстановке без замены ухода.
Узнайте, как города могут использовать данные о мобильности, землепользовании, климате и состоянии окружающей среды для создания более безопасных, экологичных и удобных для пешеходов районов, не ставя технологии выше людей.
Сравните ведущие программы в области проектирования беспилотных летательных аппаратов и аэрокосмической техники, касающиеся дронов, автономности, систем управления, эксплуатации БПЛА и научных исследований для аспирантов, с учетом проверенных обновлений к 2026 году.
A practical guide to AI-powered surgical robotics: current capabilities, levels of autonomy, precision benefits, limits, regulation, and evaluation criteria.
Инвестиции в улавливание и хранение углерода растут, но может ли улавливание углерода обратить вспять глобальные выбросы? Узнайте, где это работает, что ограничивает масштабы и какие доказательства имеют значение.
Compare seven global programs for digital supply chains, logistics, analytics, global trade, and operations, with practical guidance on choosing the right fit.
Узнайте, как интерфейсы «мозг-компьютер» расшифровывают нейронные сигналы для восстановления коммуникации и движений, чего достигли недавние исследования и что по-прежнему ограничивает использование BCI.
Узнайте, как коммерческие дроны сочетают в себе датчики, периферийный ИИ, батареи, средства связи и программное обеспечение для управления полетом, а также где автономность по-прежнему зависит от задачи и регулирования.
Сравните семь перспективных вариантов аккумуляторных батарей и систем хранения энергии по таким параметрам, как материалы, системы, исследования, опыт работы в отрасли, гибкость, языковые особенности и соотношение цены и качества.
Learn how payload mass, battery limits, weather, propulsion efficiency, and aircraft architecture shape industrial UAV endurance—and how to improve it.
