Vývoj autonomních vozidel se stále více stává problémem dat, spíše než pouhou otázkou senzorů nebo výpočetního výkonu. Autonomní systémy se musejí učit z obrovské rozmanitosti situací, včetně vzácných a nepředvídatelných událostí, které je obtížné reprodukovat v testovacím prostředí. Uber na tuto výzvu reaguje spuštěním AV Labs, nového týmu zaměřeného na proměnu rozsáhlých reálných přepravních operací společnosti v data, která mohou podpořit vývoj autonomního řízení.

Myšlenka staví na rozsahu a rozmanitosti stávající sítě Uberu. Každou hodinu probíhají miliony jízd napříč městy, předměstími, letišti a dalšími prostředími, což vytváří nepřetržitý proud reálných jízd, vyzvednutí, vysazení a nečekaných situací. Uber vidí tuto provozní stopu jako potenciální zdroj scénářů z dlouhého chvostu (long-tail scenarios), které systémy autonomního řízení potřebují k tomu, aby se staly robustnějšími.

To je obzvláště zajímavé, protože dlouhý chvost představuje jeden z nejnáročnějších problémů při vývoji autonomních vozidel. Většina dopravních situací je poměrně běžná, ale bezpečnostně kritické systémy se musí vyrovnat i s neobvyklými kombinacemi uspořádání silnic, chování účastníků provozu a nečekaných událostí. Simulace dokáže mnohé z těchto scenářů reprodukovat, ale vysoce kvalitní data z reálného světa mohou poskytnout odlišnou úroveň realismu a odhalit situace, které vývojáři nepředvídali.

Tým AV Labs propojí specialisty na data, strojové učení, počítačové vidění, systémy a infrastrukturu. Očekává se, že jeho práce pokryje vytěžování dat (data mining), simulaci, validaci a vylepšování napříč vnímáním, predikcí a plánováním. Jinými slovy, cílem není pouze shromažďovat více videa nebo záznamů ze senzorů, ale vytvořit proces, ve kterém mohou provozní data vstupovat zpět do vývoje a validace autonomních systémů.

Iniciativa odráží také širší změnu v způsobu, jakým se autonomní mobilita vyvíjí. S tím, jak se systémy založené na strojovém učení stávají propracovanějšími, se schopnost nepřetržitě shromažďovat užitečná data, identifikovat relevantní scénáře a testovat vylepšení může stát konkurenční výhodou. Platformy mobility, které již fungují ve velkém měřítku, tak mohou mít v autonomním ekosystému zajímavou roli, i když samy vozidla nevyvíjejí.

Cesta k autonomnímu řízení může v konečném důsledku záviset stejně tak na kvalitě učící smyčky jako na senzorech vozidla. Proměna každodenní mobility v zdroj strukturovaných poznatků by mohla pomoci zkrátit vzdálenost mezi tím, s čím se autonomní systémy setkávají v reálném světě, a tím, co dokážou při dalším setkání bezpečně zvládnout.

Více informací o tématu najdete zde.

Celý článek najdete zde.

GUO, Danny. Accelerating the world's autonomous future. Uber Newsroom [online]. 2. března 2026 [cit. 2026-09-02]. Dostupné z: https://www.uber.com/us/en/newsroom/accelerating-the-worlds-autonomous-future/