Az önvezető jármĹąvek és az autonóm drónok világába enged betekintést a Discovery népszerĹą ismeretterjesztő sorozata, a Made In Gyetván Csabával. A produkció ezúttal a HUN-REN SZTAKI Rendszer- és Irányításelméleti Kutatólaboratóriumába (SZTAKI SCL) látogatott el. 

A december 28-án, 19 órakor sugárzott epizódban megismerhetjük a központi irányítás nélkül mĹąködő, teljesen önálló csomagszállító drónokat, valamint kiderül az is, vajon Gyetván Csaba fel tudja-e venni a versenyt egy olyan modellautóval, amelynek vezérlő algoritmusa több mint háromezer órányi tanuláson ment keresztül.

A mĹąsor bemutatja azt a laboratóriumban fejlesztett rendszert, amely képes a drónok autonóm repülésének előzetes megtervezésére, miközben a váratlan helyzetekhez is alkalmazkodik. A drón önállóan veszi fel a csomagot egy mozgó jármĹąről, majd centiméteres pontossággal kézbesíti azt egy másik, szintén haladó jármĹąre. Ehhez csupán a jármĹąvek induló és célpozícióját kapja meg, minden további számítást és irányítást a SZTAKI SCL által fejlesztett algoritmus végez. Ilyen, emberi beavatkozás nélküli, teljesen autonóm mĹąveletre jelenleg világszerte kizárólag ebben a magyar laboratóriumban képesek.

Az epizódban az is látható, miként irányít ugyanaz a rendszer egyszerre akár húsz – részben virtuális – drónt. Ezek a jármĹąvek nem központi vezérlés utasításai alapján közlekednek, hanem egymás mozgási adatait figyelembe véve tervezik és optimalizálják útvonalukat. Nemcsak az aktuális akadályokat érzékelik, hanem azok várható mozgását is előrejelzik, és ennek megfelelően, biztonságos távolságot tartva igazítják saját pályájukat.

A laborban emellett olyan mesterséges intelligenciára épülő vezérlő algoritmusokat is fejlesztenek és tesztelnek, amelyek lehetővé teszik az autonóm jármĹąvek számára, hogy közúti forgalomban, összetett környezetben is pontosabban jelezzenek előre, gyorsabban reagáljanak és folyamatosan tanuljanak. Olyan szituációkat modelleznek, amelyek a valóságban túl veszélyesek vagy egyenesen kivitelezhetetlenek lennének.

Az elméletben és szimulációkban már bizonyított megoldásokat virtuális, kiterjesztett és kevert valóság (VR, AR, MR) segítségével teszik próbára. A szakemberek akár egy parkoló busz mögül hirtelen kilépő gyermeket, váratlanul manőverező kerékpárost vagy szélsőséges időjárási körülményeket is létrehozhatnak virtuálisan, amelyek valós jármĹąvekkel lépnek kölcsönhatásba. Ezek a digitális elemek a valódi veszélyhelyzetekhez hasonlóan viselkednek, így a mérnökök biztonságos, megismételhető és költséghatékony módon vizsgálhatják az autonóm rendszerek reakcióit. A nézők azt is láthatják, hogyan zajlik mindez előbb kisméretĹą modellautókkal a laborban, majd később valódi jármĹąvekkel a tesztpályán.

A december 28-i adás egyik izgalmas pillanata, amikor Gyetván Csaba versenyre kel egy olyan modellautóval, amely nem előre programozott vezérléssel mĹąködik, hanem megerősítéses tanulással sajátította el a vezetést. Az algoritmus mintegy háromezer órát „vezetett” egy szimulátorban, miközben jutalmat kapott a biztonságos és hatékony manőverekért, illetve büntetést a hibákért. A kérdés már csak az: ember vagy gép kerül ki győztesen a megmérettetésből?

English Summary

The Discovery Channel’s popular science series Made In with Csaba Gyetván takes viewers inside the HUN-REN SZTAKI Systems and Control Laboratory, showcasing cutting-edge research in autonomous vehicles and drones. The episode presents fully autonomous, centrally uncoordinated delivery drones capable of picking up and delivering packages between moving vehicles with centimeter-level precision—an ability currently unique worldwide. Viewers also see how multiple drones coordinate their flight paths without central control, predicting obstacles and each other’s movements in real time. In addition, the laboratory’s AI-based control algorithms for self-driving cars are tested using advanced simulation and mixed reality environments that safely replicate complex and dangerous traffic scenarios. The episode concludes with a challenge between Csaba Gyetván and a model car trained through reinforcement learning after thousands of hours in simulation.