Skrajne przypadki, które od lat opóźniają jazdę autonomiczną

Gdy pojazd autonomiczny wyjeżdża na drogę, 99,9% swojego życia spędza, robiąc wciąż to samo: jazda na pasie, zatrzymywanie się na czerwonym świetle, utrzymywanie odległości od pojazdu z przodu. A właściwe pytanie brzmi: co dzieje się w tych malutkich pozostałych ułamkach, czyli w tych dziwnych momentach, które zdarzają się raz na miliony kilometrów? To właśnie te momenty opóźniają obietnicę autonomicznej jazdy "gotowej na jutro" - i w tym artykule wyjaśnię, dlaczego wciąż nie zostały rozwiązane.
Czym jest przypadek brzegowy i dlaczego długi ogon to co innego?
Najpierw wyjaśnijmy terminologię, ponieważ te dwa pojęcia są często mylone. Przypadek brzegowy (edge case) to rzadki scenariusz wykraczający poza dane treningowe systemu autonomicznej jazdy: drabina przewrócona na autostradzie, nietypowy gest policjanta kierującego ruchem, niezwykłe warunki pogodowe. Da się je zdefiniować z wyprzedzeniem, przynajmniej teoretycznie.
Długi ogon (long tail) to natomiast pojęcie znacznie bardziej niepokojące: suma wszystkiego, czego nawet nie potrafilibyśmy pomyśleć. Plac budowy zmieniający się z dnia na dzień, materac spadający z pickupa podczas deszczu, scenariusz z samego końca ogona, którego nikt nawet nie pomyślał wpisać na listę problemów. Gdy przypadek brzegowy to zagadka, długi ogon jest jak pudełko, w którym nie wiesz, ile ma kawałków.
Istnieją też różne rodzaje rzadkości. Pierwszy to rzadkie klasy: osły, karetki pogotowia - obiekty rzadko spotykane na drogach. Drugi, i bardziej podstępny, to rzadkie scenariusze: same obiekty są całkiem zwyczajne, ale ich układ jest dziwny - pieszy nagle wyłaniający się zza ciężarówki albo rowerzysta niosący drabinę. Ten drugi typ jest znacznie trudniejszy do wykrycia, ponieważ każdy komponent w systemie jest już zdefiniowany; problem leży w ich zestawieniu.
Eksperci dzielą przypadki brzegowe na cztery główne kategorie: środowiskowe (pogoda, warunki oświetleniowe), związane z obiektami (rzadkie obiekty), behawioralne (nieprzewidywalni użytkownicy dróg) i specyficzne dla czujników (awarie sprzętu, martwe strefy). Każda kategoria to sama w sobie problem; a razem wyjaśniają, dlaczego ten ogon jest tak długi.
Najważniejsze informacje
- System działający z dokładnością 99% może napotkać nierozwiązywalny, niebezpieczny scenariusz mniej więcej raz na każde 10 000 mil jazdy.
- Podczas gdy w popularnym zbiorze danych znajduje się 493 322 adnotacji dotyczących samochodów, adnotacji dotyczących karetki pogotowia jest tylko 49.
- 30 najrzadszych klas obiektów pojawia się każda mniej niż 250 razy w publicznie dostępnych, oznaczonych danych obejmujących 344 966 klatek.
- Jeśli systemy autonomiczne jeżdżą jak ludzie, mogą zapobiec jedynie około jednej trzeciej wszystkich wypadków.
Rzadkość w liczbach: Dlaczego ten ogon jest tak długi?

Uchwycenie skali rzadkości wymaga trochę matematyki. 99% dokładności brzmi świetnie, prawda? Ale zróbmy obliczenia: system o takiej dokładności trafia raz na około 10 000 mil jazdy w niebezpieczny scenariusz, którego sam nie potrafi rozwiązać. Nawet do codziennego użytku ta liczba jest ogromna - a dla pełnej autonomii jest katastrofalna, ponieważ próg bezpieczeństwa wymaga ultra-niskich wskaźników błędów.
Obraz po stronie danych jest jeszcze bardziej uderzający. Porównanie SearchAD, opracowane wspólnie przez Mercedes-Benz i Uniwersytet Esslingen, przeanalizowało 423 798 klatek z 11 zbiorów danych jazdy: 90 rzadkich kategorii, 513 265 ręcznych adnotacji. Wynik? Każda z 30 najrzadszych klas pojawia się w publicznie dostępnych danych z adnotacjami liczącymi 344 966 klatek rzadziej niż 250 razy. W jednej wyspecjalizowanej firmie, która próbowała ręcznie wyszukiwać te rzadkie przypadki, praca trwała osiem miesięcy, na każdą klatkę poświęcano średnio ponad minutę, a każda klatka była przeglądana co najmniej dwa razy.
| Klasa obiektu | Liczba adnotacji w przykładowym zbiorze danych |
|---|---|
| Samochód osobowy | 493 322 |
| Wózek dziecięcy | 1 072 |
| Karetka pogotowia | 49 |
Ta tabela pokazuje krzywośc świata samego w sobie: samochody są wszędzie, karetki praktycznie nigdzie. A problem nie polega tylko na odkrywaniu; wyszukiwanie oparte na etykietach zwraca wyłącznie wcześniej zdefiniowane klasy. Jeśli nikt nie oznaczył pieszego w worku na śmieci założonym jak peleryna podczas deszczu, żadne zapytanie szukające tych danych go nie znajdzie. Zbiorcze metryki sukcesu mogą też ukrywać regresje w rzadkich klasach wewnątrz silnego wyniku ogólnego.
A może po prostu zebrać więcej danych?
Odpowiedź w zdecydowanej większości brzmi nie, a powód da się ująć w jednym zdaniu: zbiór danych jest tak wypaczony jak sam świat. Zdecydowana większość danych jazdy zbieranych z dróg wypełniona jest zwyczajnymi zachowaniami - utrzymywaniem pasa ruchu, stosowaniem się do świateł, prostą drogą. Podwajając zbiór danych, w dużej mierze dodajesz podwójną porcję zwyczajnych przykładów; rzadkie przypadki zagłębiają się jeszcze bardziej w ogonie rozkładu. To klasyczny problem malejących zwrotów: skalowanie mocy obliczeniowej i danych nie daje wystarczającej wydajności przy ultra-niskich wskaźnikach błędów.
A gdyby odtworzyć rzadkie scenariusze na scenie? Tu właśnie stoi druga ściana: większość rzadkich przypadków jest niebezpieczna lub niemożliwa do wykonania. Nikt nawet nie spróbuje skoreografować pieszego wybiegającego spód ciężarówki. Co więcej, ogon jest otwarty - nie ma punktu końcowego, czyli moment, w którym można powiedzieć "skończyliśmy wszystko", nigdy nie nadchodzi.
Symulacja jest dlatego świetnym pomocnikiem, ale nie wybawcą. Żadna liczba testów na prawdziwej drodze nie gwarantuje sama bezpieczeństwa; ponadto sztuczne generowanie rzadkich zdarzeń to samo w sobie trudny problem inżynieryjny. Podejście Waymo zwraca tu uwagę: zespół odtwarza w świecie rzeczywistym scenariusze kolizji zakończone śmiercią, a następnie zastępuje Waymo Driver pojazdem inicjującym zderzenie. W symulacji uniknął wszystkich kolizji. Impresjonujące - ale oznacza to jedynie powodzenie w zdefiniowanych scenariuszach, a nie wyczerpanie całego ogona rozkładu.
Jak producenci podchodzą do tego samego problemu?
Mobileye: Sztuczna inteligencja polująca na błędy
Dwa pojazdy, które Mobileye zaprezentuje w 2026 roku, wnoszą do problemu systematyczne rozwiązanie. Meteor, wieloagentowy analityk danych oparty na sztucznej inteligencji, przeszukuje miliony godzin nagrań z jazdy, wykorzystując osadzenia modeli wizualno-językowych i automatyczne rozumowanie. A czego szuka? To ciekawe: nie jednostkowe cuda zwane czarnymi łabędziami, lecz powtarzalne porażki - powtarzające się wzorce, takie jak częściowo zasłonięci piesi czy niejednoznaczni użytkownicy drogi. Eksploracja, hipoteza, odpytywanie scenariuszy, walidacja i łańcuch danych treningowych działają automatycznie. Natomiast system towarzysza Genario przekształca każdą zweryfikowaną porażkę w fotorealistyczny scenariusz syntetyczny i mnoży go z wariantami dnia/nocy, deszczu, śniegu, lodu i mgły. Za tym wszystkim stoi ponad 25 lat doświadczenia, ponad 230 milionów pojazdów i przesył danych z 8 milionów pojazdów dziennie.
Waymo: Ograniczony obszar, rygorystyczne zasady
Strategia Waymo polega nie na skracaniu kolejki, lecz na zmniejszaniu obszaru, w którym kolejka może wjechać. Obszar projektowania operacyjnego, który nazywa Operational Design Domain (ODD), jest definiowany przez geografię, typ drogi, zakres prędkości, pogodę i porę dnia. Zgodnie z dokumentami regulacyjnymi firmy docelowy obszar obejmuje drogi z limitem prędkości do 65 mph. Pojazdy działają w pełni autonomicznie; zdalni operatorzy nie prowadzą pojazdu za pomocą joysticka, lecz jedynie przekazują wskazówki najwyższego poziomu. W październiku 2026 opublikowała też nowe ramy dotyczące ćwiczeń zarządzania incydentami w celu przygotowania na nieprzewidziane sytuacje. Przekaz strony zarządzania jest jasny: pojazdy autonomiczne mogą drastycznie zmniejszyć liczbę wypadków, ale nie osiągną 100% i trzeba o tym mówić otwarcie i uczciwie. Dane firmy pokazują, że liczba wypadków ich robotaksjonów na milion mil jest znacznie niższa niż w poprzednich latach. Inna obserwacja: definicje ODD i koncepcje bezpieczeństwa można ponownie wykorzystać w wielu miastach - ta elastyczność każe też kwestionować granice obszaru.
Tesla i NVIDIA: Dwa różne zakłady
Tesla postawiła na to, że rzeczywiste dane z milionów pojazdów i miliardów mil z czasem oświetlą kolejkę. W wydaniach Full Self-Driving (Supervised) użytkownicy zgłaszają mniej interwencji, a według firmy FSD zmniejsza prawdopodobieństwo kolizji wynikającej z ludzkiego błędu o ponad 80% - choć to dane samej firmy, a kwestia niezależnej walidacji jest dyskusyjna; Tesla nigdy nie opublikowała oficjalnych danych o rozłączeniach (disengagement). Raporty użytkowników, choć anegdotyczne, pełne są wskazówek: konieczność przejęcia kontroli nad systemem przed zmieniającym pas ciężarówką albo system zbliżający się z dużą prędkością do stojącego na lewym pasie ciężarówki budowlanej.
NVIDIA patrzy w przeciwnym kierunku: rozumowanie nad nieznanymi sytuacjami za pomocą symulacji i uogólnialnej inteligencji. Projekt Alpamayo-R1 pokazał, że model trenowany na danych do rozumowania poprawia dokładność planowania w trudnych przypadkach nawet o 12% i zmniejsza bliskie kolizje o 35%. Żadna z tych filozofii - podobnie jak hipotezą sterowane eksploracja danych Mobileye czy podejście end-to-end oparte na sztucznej inteligencji firmy Wayve - nie została jeszcze udowodniona jako ostateczne rozwiązanie. Nikt jeszcze nie zobaczył końca kolejki.
Zdalna interwencja człowieka: Siatka bezpieczeństwa czy słabość?
Praktyczną gwarancją firm robotaksyjnych jest teleoperacja: przejście na tryb zdalnej interwencji człowieka-operatora, gdy system zostaje przeciążony lub ulega awarii. Rozprawa w Senacie USA ujawniła, że firmy zajmujące się robotaksówkami dokładnie na tym się opierają. Już wcześniej w branży istniało przekonanie, że robotaksówki Cruise często wymagają interwencji operatorów zdalnych.
Ale ta siatka bezpieczeństwa ma drabinę. W modelu Waymo zdalny operator udziela jedynie wskazówek najwyższego poziomu; nie przejmuje kierownicy. Z kolei przy premierze robotaksówki Tesli w Austin poinformowano, że pracownicy wsparcia zdalnego mogą przejmować tymczasową kontrolę przy prędkościach 2 mph i niższych oraz zdalnie prowadzić pojazd, a raport stanowego wydziału transportu z 2025 roku dokumentuje, że Tesla przyjęła zdalne operacje na wypadek rzadkich sytuacji brzegowych i trudnych warunków. Połączenia 5G i 6G o niskich opóźnieniach czynią te modele technicznie wykonalnymi. Pytanie brzmi: czy to realne rozwiązanie, że człowiek rozwiązuje scenariusze, których system nie potrafi, czy też po prostu przenosimy problem do niewidzialnej kolejki?
Co Prawo Mówi o Rozdźwięku między Obietnicą a Rzeczywistością?
Tu sprawy się poważnieją, bo wypadek będący rzadką sytuacją brzegową rodzi nie tylko pytanie techniczne, ale i prawne. W USA NHTSA wydała w kwietniu 2026 roku aktualizację przepisów dotyczących autonomicznych systemów jazdy. Na froncie prawnym istnieje ciekawe rozróżnienie: spełnianie przez pojazd norm bezpieczeństwa nie czyni go doskonałym; zarzut niedbalstwa to zupełnie inna droga prawna i prawnicy posiłkujący poszkodowanych grają dokładnie na tym polu. Według poradnika prawnego opracowanego w Teksasie argument używany w procesach to różnica między obietnicą firmy a tym, co samochód faktycznie robi. Ryzyko techniczne wskazane przez Brookings spina się z tym samym punktem: nieprzewidywalne błędy w systemach percepcji i przewidywania mogą sprawić, że pojazd zrobi coś niewłaściwego w niewłaściwym momencie.
Poziomy ze standardu J3016 organizacji SAE też podchodzą pod temat obietnicy versus rzeczywistość. W skali od Poziomu 0 do Poziomu 5 zdecydowana większość pojazdów na drogach wciąż znajduje się na Poziomie 1 lub Poziomie 2. Poziom 3 tworzy dużą zmianę obciążeń, przenosząc odpowiedzialność z kierowcy na producenta. Natomiast dla Poziomu 5 niektórzy eksperci uważają, że: pojazdy działające wszędzie tam, gdzie może jeździć człowiek, nigdy nie powstaną. Nawet naukowy artykuł z 2026 roku proponuje dodatkową klasyfikację opartą na środowisku i sytuacji, twierdząc, że obecne poziomy nie odzwierciedlają zdolności w realnym świecie.
Czy Kolejkę da się Skonsumować? Uczciwa Odpowiedź
Powiem Ci najjaśniej, jak potrafię: Sytuacje brzegowe to scenariusze skrajnie rzadkie statystycznie, lecz nieprzewidywalne, które opóźniają osiągnięcie przez jazdę autonomiczną obiecywanej pełnej autonomii; ani nieskończone zbieranie danych, ani symulacje nie są w stanie samodzielnie skonsumować tej otwartej kolejki. Optymiści mają w rękach realne wypadki: dane Waymo pokazują, że liczba wypadków na milion mil faktycznie spadła, a syntetyczne generowanie scenariuszy firmy Mobileye systematycznie zawęża kolejkę. Pesymiści też mają w rękach fakty: jeśli jeździsz jak ludzie, możesz zapobiec tylko około jednej trzeciej wypadków; według niektórych organizacji zajmujących się bezpieczeństwem bezkierowcowość jeszcze nie nadeszła - w podstawowych zadaniach regularnie nadal zdarzają się porażki. A kolejna dyskusja już puka do drzwi: jeśli jakoś rozwiążemy przypadki brzegowe, to jak tym razem zagwarantujemy poprawność uogólnionych modeli sztucznej inteligencji?
Moja interpretacja jest taka: jazda autonomiczna to nie wyścig, tylko praca na taśmie odsiewczej. Codzienne przejechanie tysięcy kilometrów bez problemu nikogo nie porusza; o różnicy decyduje to, co robisz w tym dziwnym momencie, który przychodzi raz na milion mil. A co zrobisz w tej chwili, nie wiadomo jeszcze w dniu, w którym wymyślisz ten scenariusz. Myślisz, że robotaxis pokonają tę kolejkę, czy będzie się zawsze wymykać o krok? Ciekaw jestem Twojej opinii w komentarzach.
Źródła
- Diagnosing the long tail: how Mobileye turns edge cases into targeted training (Mobileye Blog)
- Why AV Models Miss Rare Edge Cases (and How to Find Them) | Voxel51
- Edge Cases in Autonomous Driving: Detection and Handling Guide | Kognic
- Waymo simulated driving behavior in reconstructed fatal crashes (Scanlon et al., 2021, ScienceDirect)
- Preparing for the Unexpected: A New Framework for AV Incident Management Exercises (Waymo Blog, Oct 2026)
- Full Self-Driving (Supervised) Vehicle Safety Report (Tesla)
- Solving the long-tail with e2e AI (Wayve)
- SAE Levels of Driving Automation (SAE International)
- Self-driving vehicles could struggle to eliminate most crashes (IIHS)
- STATE DOT Policy and Regulatory Approaches (NCDOT, 2025)