Sokan úgy vélik, hogy az önvezető autók legnagyobb kihívása technológiai jellegĹą. Valójában azonban a városi környezet az, ami igazán próbára teszi ezeket a rendszereket. Egy városban, ahol emberek, autók, biciklik, rollerek, buszok és villamosok osztoznak az úton, egyetlen döntés is rengeteg tényezőtől függ. A HUN-REN SZTAKI Rendszer- és Irányításelméleti Laboratóriumának (SCL) kutatói olyan algoritmusokat fejlesztenek, amelyek a legösszetettebb forgalmi helyzetekben is gyorsan és biztonságosan tudnak reagálni.

Elsőre azt gondolhatnánk, hogy a város ideális terep az önvezetéshez: alacsonyabb tempó, kiépített infrastruktúra, világítás, közlekedési táblák, jelzőlámpák. A valóság azonban éppen ennek az ellentéte. A városi forgalom kiszámíthatatlan, zsúfolt, és folyamatosan változik – ez pedig komoly kihívást jelent az autonóm rendszerek számára.

„A városi közlekedés rendkívül komplex – nincs két ugyanolyan helyzet, és rengetegféle közlekedő van jelen egyszerre” – magyarázza Aradi Szilárd, az SCL kutatója. Az egyik pillanatban egy rolleres halad a sáv közepén, a következőben egy gyalogos lép le a járdáról anélkül, hogy körülnézne. Előfordul, hogy egy autó megáll, és az utas hirtelen kinyitja az ajtót, vagy útépítés miatt új sávjelzéseket festenek fel, a forgalmat pedig bóják terelik el.

Az egyik legnagyobb nehézség, hogy az önvezető jármĹąveknek értelmezniük kell más közlekedők szándékait. Ha egy biciklis oldalra néz – vajon kanyarodni fog? Ha egy gyalogos a zebránál áll – csak telefonál, vagy át akar kelni? Míg az emberi sofőr tapasztalataira vagy megérzéseire támaszkodik, a gépnek algoritmusokkal kell meghoznia döntéseit, és pontosan meg kell értenie a helyzet komplexitását.

Sokunkkal előfordult már, hogy a navigáció olyan utcába irányított, amit időközben lezártak. A tábla nem volt jól látható, a felfestés hiányos, az alkalmazás pedig még nem frissült. Ilyenkor körülnézünk, és ösztönösen döntünk. Az önvezető autó viszont csak akkor tud jól reagálni, ha a rendszer valós időben felismeri az érvényes útvonalat, és biztonságosan képes korrigálni mozgását. Ehhez nemcsak megbízható érzékelésre van szükség, hanem precíz mozgástervezésre is – figyelembe véve a sebességet, az ívet, az útfelületet, és a környező jármĹąveket. Ebben segít az irányításelméleti megközelítés.

Mivel foglalkoznak a SZTAKI kutatói?

Az SCL-nél nemcsak az elméleti alapokkal foglalkoznak, hanem azzal is, hogyan lehet különböző rendszereket és megközelítéseket hatékonyan együttmĹąködtetni. „A gépi tanulás jól mĹąködik ismert mintázatok felismerésében, de nehezebben boldogul új, ismeretlen helyzetekkel. Ilyenkor segítenek az irányításelméleti modellek, amelyek fizikai törvények alapján írják le a jármĹą viselkedését” – mondja Aradi Szilárd.

Kulcsfontosságú, hogy az autó a különböző szenzorokból – kamerák, radarok, lézerszkennerek – érkező információkat össze tudja kapcsolni. Ezt nevezzük szenzorfúziónak. Minél pontosabb és teljesebb képet alkot a jármĹą a környezetéről, annál biztonságosabban tud dönteni – még akkor is, ha az adatok néha ellentmondásosak vagy hiányosak.

„Egyik fontos kutatási irányunk a biztonságos vészhelyzeti kikerülő manőverek tervezése. Például ha viharban egy faág kerül az útra, és az autó nagy sebességgel, rossz látási viszonyok között közeledik – magyarázza Aradi Szilárd. – A rendszernek azonnal ki kell számítania az optimális irányt és sebességet, figyelembe véve azt is, hogy a többi közlekedő hogyan reagálhat a helyzetre.”

Egy másik érdekes példa: hátrafelé figyelés. Az ember ritkán néz a visszapillantóba, de az önvezető jármĹą rendszere folyamatosan monitorozza a hátulról közeledő forgalmat. Ha azt érzékeli, hogy valaki túl gyorsan közeledik, akár gyorsítással is képes elkerülni az ütközést – amennyiben az előtte lévő forgalmi helyzet ezt lehetővé teszi.

„A mi szemléletünk szerint a valóban autonóm közlekedés nem egyetlen tökéletes algoritmuson múlik, és nem is csupán a szenzorokon – hanem azon, hogy az egész rendszer megbízhatóan, átláthatóan és előre modellezhetően mĹąködjön” – hangsúlyozza az SCL kutatója. Ez a rendszerszintĹą gondolkodás teszi lehetővé, hogy az önvezető jármĹąvek fokozatosan beilleszkedjenek a valós közlekedési környezetbe – először zárt pályákon, majd idővel a városi forgalomban is.

English Summary

While many assume that technology is the biggest challenge in developing self-driving cars, it's actually the complexity of urban environments that poses the greatest difficulty. In cities, vehicles must navigate a constantly changing mix of pedestrians, cyclists, scooters, and other road users, where even a single decision depends on dozens of variables. Researchers at the HUN-REN SZTAKI Systems and Control Laboratory (SCL) are developing algorithms capable of making safe, real-time decisions in such unpredictable scenarios. Their work combines machine learning with control theory to create systems that can interpret sensor data, predict the behavior of others, and plan safe maneuvers—even in emergencies. This systems-based approach is key to integrating autonomous vehicles into real-world traffic, step by step.