Autonomous car сбер что это

В 2023 году Сбер представил первый в России серийный автономный автомобиль на базе Hyundai Sonata, адаптированный для движения по городским дорогам без участия водителя. Проект реализован на базе платформы SberAutoTech, объединяющей компьютерное зрение, лидарные системы и нейросети для обработки данных в реальном времени. Автомобиль оснащён 12 камерами, 5 лидарами и 6 радарами, что обеспечивает круговой обзор с радиусом до 250 метров и точность позиционирования до 2 сантиметров.

Ключевой особенностью системы является гибридный подход к управлению: решения принимаются на основе комбинации предварительно загруженных HD-карт и динамического анализа окружающей обстановки. Нейросеть, обученная на 10 миллионах километров виртуальных и 500 тысячах километров реальных испытаний, распознаёт объекты (пешеходов, транспорт, дорожные знаки) с точностью 99,7% в дневное время и 98,2% ночью. Для сравнения: средний показатель для аналогов от Waymo и Cruise составляет 98,5%.

Автомобиль использует проприетарный алгоритм планирования маршрута, который учитывает не только ПДД, но и неформальные правила поведения на дороге (например, пропуск пешеходов на нерегулируемых переходах вне зоны видимости камер). Система способна прогнозировать действия других участников движения на 5–7 секунд вперёд, что снижает риск аварийных ситуаций на 40% по сравнению с ручным управлением. В тестовых заездах в Москве и Иннополисе автомобиль продемонстрировал среднюю скорость реакции на препятствия в 0,2 секунды – втрое быстрее среднестатистического водителя.

Для обеспечения безопасности предусмотрены три уровня резервирования: основной бортовой компьютер на базе чипа NVIDIA DRIVE Orin (254 TOPS), дублирующий контроллер и облачная система мониторинга. В случае отказа оборудования автомобиль автоматически переходит в режим безопасной остановки с включением аварийной сигнализации и передачей данных в диспетчерский центр. Текущая версия поддерживает автономность уровня 4 по классификации SAE, что позволяет передвигаться без водителя в ограниченных зонах (например, на территории инновационных парков или закрытых маршрутах).

Сбер планирует интеграцию автономных автомобилей в экосистему своих сервисов: доставка грузов через СберМаркет, такси без водителя в рамках проекта Ситимобил и логистические решения для бизнеса. Для корпоративных клиентов доступна аренда автомобиля с почасовой оплатой (от 1 200 рублей/час) или покупка по цене от 12 миллионов рублей. При эксплуатации в коммерческих целях система окупается за 2–3 года за счёт снижения расходов на персонал и повышения эффективности маршрутов.

Какие технологии лежат в основе беспилотника Сбера

Беспилотные автомобили Сбера построены на базе платформы SberAuto, интегрирующей аппаратные и программные решения для автономного вождения. В основе лежит сенсорный комплекс, включающий:

• Лидары Velodyne VLS-128 и Hesai PandarXT-32 с разрешением до 0,05° и дальностью до 200 м для построения 3D-карты окружения.
• Радары Continental ARS540 (77 ГГц) с углом обзора 120° и точностью обнаружения объектов до 0,1 м на скоростях до 250 км/ч.
• Камеры высокого разрешения Sony IMX490 (8 Мп) с HDR и ночным режимом, работающие в связке с нейросетями для распознавания дорожных знаков, светофоров и пешеходов.
• Инерциальные модули OxTS RT3000 для коррекции данных GPS с точностью до 2 см в реальном времени.

Для обработки данных используется вычислительный модуль NVIDIA DRIVE AGX Orin с производительностью 254 TOPS, оптимизированный под алгоритмы SLAM (Simultaneous Localization and Mapping) и predictive planning. Система поддерживает HD-карты с разрешением 5 см, обновляемые через облако Сбера с частотой 1 Гц. В качестве операционной системы применяется ROS 2 (Robot Operating System) с модификациями для работы в условиях российского трафика, включая адаптацию к нестандартным дорожным ситуациям.

Ключевой элемент – нейросетевая архитектура «СберАвтопилот», обученная на датасете из 10 млн км реальных и симулированных поездок. Модель использует Transformer-блоки для анализа временных последовательностей данных с сенсоров и графовые нейросети для прогнозирования поведения участников движения. Для снижения латентности критические алгоритмы (например, экстренное торможение) реализованы на FPGA Xilinx Zynq UltraScale+. Система соответствует уровню автономности L4 по классификации SAE, но ограничена геозонами с предварительно откартографированной инфраструктурой. Рекомендация для разработчиков: при интеграции с внешними сервисами использовать API SberAuto SDK с поддержкой протоколов Protobuf и MQTT для обмена телеметрией.

Как устроена система датчиков и камер в автомобиле

Автономный автомобиль Сбера оснащён мультисенсорной системой из 12 камер высокого разрешения, работающих в диапазоне 120°–360°. Четыре фронтальные камеры с разрешением 8 Мп обеспечивают стереоскопическое зрение на расстоянии до 250 метров, обрабатывая данные с частотой 30 кадров в секунду. Боковые камеры с углом обзора 180° фиксируют объекты на скорости до 120 км/ч, компенсируя слепые зоны лидаров. Задний модуль из двух камер с разрешением 5 Мп интегрирован с ультразвуковыми датчиками для парковки в условиях ограниченной видимости.

Лидары – ключевой элемент системы, представленный тремя сенсорами: основной с частотой сканирования 1,2 млн точек/сек (дальность 200 м) и два вспомогательных для ближней зоны (50 м). Они генерируют облако точек с точностью до 2 см, что позволяет различать пешеходов, велосипедистов и статичные препятствия при любом освещении. Для корректировки данных лидары синхронизированы с инерциальной навигационной системой (IMU), которая компенсирует вибрации и неровности дорожного покрытия.

Радарные датчики работают в диапазоне 77 ГГц, обеспечивая обнаружение объектов на расстоянии до 300 метров с разрешением 0,5°. Они критически важны для оценки скорости движущихся целей, особенно в условиях дождя или тумана, где лидары теряют эффективность. Четыре радара расположены по периметру автомобиля: два фронтальных для дальнего обзора и два задних для мониторинга мёртвых зон при перестроении.

Данные с датчиков объединяются в центральном вычислительном блоке на базе чипа NVIDIA DRIVE AGX Orin, который выполняет до 254 триллионов операций в секунду. Алгоритмы SLAM (одновременная локализация и построение карты) сопоставляют информацию с камер, лидаров и радаров в реальном времени, создавая трёхмерную модель окружения с задержкой не более 50 мс. Для повышения надёжности система дублирует критические сенсоры: например, при отказе основного лидара его функции берёт на себя резервный модуль с углом обзора 120°.

Какую роль играет искусственный интеллект в управлении машиной

Искусственный интеллект (ИИ) в автономных автомобилях Сбера обрабатывает до 4 ТБ данных в час, генерируемых лидарами, радарами и камерами. Нейронные сети анализируют дорожную обстановку в реальном времени, выявляя пешеходов, транспорт и препятствия с точностью до 99,7% на скоростях до 60 км/ч. Алгоритмы глубокого обучения, обученные на 10 млн км виртуальных и 500 тыс. км реальных испытаний, распознают нестандартные ситуации – например, неожиданное появление животных или аварийные остановки других машин.

Система использует архитектуру Transformer для прогнозирования поведения участников движения. Модель предсказывает траектории объектов на 5 секунд вперед с погрешностью менее 0,3 метра, что критично для маневров в плотном потоке. В отличие от традиционных правил, ИИ адаптируется к локальным особенностям: распознает неформальные жесты регулировщиков, учитывает региональные ПДД и даже реагирует на нетипичные дорожные знаки, встречающиеся в отдельных городах.

Решение о торможении или обгоне принимается за 150 мс благодаря оптимизированным вычислениям на бортовом суперкомпьютере NVIDIA DRIVE AGX Orin. Процессор выполняет 254 триллиона операций в секунду, что позволяет одновременно обрабатывать данные с 12 камер, 5 радаров и 6 лидаров. Для сравнения: человеку требуется около 1,5 секунды на аналогичную реакцию, что на высоких скоростях увеличивает тормозной путь на 20–30 метров.

ИИ управляет не только движением, но и энергоэффективностью. Алгоритмы машинного обучения оптимизируют расход батареи, предсказывая рельеф дороги и интенсивность движения на маршруте. В тестах на трассе М-11 автономные автомобили Сбера показали снижение энергопотребления на 12% за счет плавного разгона и рекуперативного торможения, адаптированного к дорожным условиям.

Для обучения моделей используется симуляция высокой точности, где виртуальные автомобили проезжают миллионы километров в условиях, максимально приближенных к реальным. Например, в симуляторе воспроизводятся дождь, снег, туман и даже отражения света от мокрого асфальта. Это позволяет ИИ отрабатывать редкие сценарии – например, одновременный выход на проезжую часть группы пешеходов или внезапное появление крупногабаритного груза на дороге.

Ключевой элемент безопасности – система непрерывного обучения. Каждый автономный автомобиль Сбера передает анонимизированные данные в облако, где они анализируются для улучшения глобальной модели. Если один из автомобилей сталкивается с новой ситуацией (например, необычным дорожным знаком), обновление распространяется на весь парк в течение 24 часов. Это сокращает время адаптации к изменениям инфраструктуры в 10 раз по сравнению с ручным обновлением ПО.

ИИ также отвечает за взаимодействие с пассажирами. Голосовой ассистент, интегрированный в систему, распознает естественную речь с точностью 95% даже при шуме до 70 дБ. Он может объяснить причину остановки, изменить маршрут по команде или предупредить о необходимости технического обслуживания. В случае нештатной ситуации (например, отказа датчика) система переключается на резервные алгоритмы и предлагает пассажиру взять управление на себя, предоставляя четкие инструкции.

Для повышения надежности ИИ использует мультимодальное слияние данных. Например, если камера не распознает объект из-за яркого света, система полагается на лидар, который работает в любых условиях освещения. При этом алгоритмы постоянно проверяют согласованность данных: если показания радара и камеры расходятся более чем на 5%, автомобиль переходит в режим повышенной осторожности, снижая скорость и увеличивая дистанцию до впереди идущего транспорта.

Где и как тестируются автономные автомобили Сбера

Тестирование автономных автомобилей Сбера проходит на закрытых полигонах в Москве и Иннополисе (Татарстан), а также на ограниченных участках общественных дорог в Москве и Санкт-Петербурге. Полигон в Иннополисе оборудован 12 км трасс с имитацией городской инфраструктуры: светофорами, пешеходными переходами, развязками и парковочными зонами. В Москве испытания проводятся на территории Сколково и в промзоне «Технополис Москва», где автомобили тестируют в условиях плотного трафика и сложных погодных сценариев. Для легального тестирования на общественных дорогах Сбер получил разрешения Минтранса РФ и согласовал маршруты с ГИБДД, включая участки Третьего транспортного кольца и набережных Невы.

Автомобили проходят валидацию по 40+ сценариям: от экстренного торможения при внезапном появлении препятствия до распознавания временных дорожных знаков и взаимодействия с агрессивными водителями. Для симуляции используют платформу NVIDIA DRIVE Sim с генерацией синтетических данных, покрывающих редкие случаи (например, падение дерева на дорогу). Каждый тестовый заезд фиксируется в системе мониторинга с записью сенсорных данных (LiDAR, камеры, радары) и действий автопилота. Критические инциденты анализируются командой инженеров с привлечением данных телеметрии и видеозаписей для доработки алгоритмов.

Какие уровни автономности поддерживает машина Сбера

Автомобиль Сбера, известный как «СберАвто», реализует 4-й уровень автономности по классификации SAE J3016. Это означает, что система способна полностью управлять транспортным средством в заранее определенных условиях без участия водителя. Однако в отличие от 5-го уровня, где автономность не ограничена сценариями, «СберАвто» требует наличия водителя для вмешательства в сложных или нештатных ситуациях, например, при экстремальных погодных условиях или на неразмеченных дорогах.

Ключевые сценарии работы на 4-м уровне включают движение по городским улицам с четкой разметкой, соблюдение светофоров и знаков, а также взаимодействие с другими участниками дорожного движения. Технически это обеспечивается за счет комбинации лидаров (до 128 слоев), радаров миллиметрового диапазона, камер высокого разрешения и высокоточных карт HD-формата. Точность позиционирования достигает 2 см благодаря использованию RTK-GPS и инерциальных датчиков.

*ODD (Operational Design Domain) – заранее определенные условия эксплуатации: геозоны, погодные условия, типы дорог.

Для перехода между уровнями автономности «СберАвто» использует динамическую систему мониторинга окружения. Например, при ухудшении видимости (туман, сильный дождь) или отсутствии разметки система автоматически снижает уровень до 3-го, требуя от водителя взять управление. Это реализовано через алгоритмы машинного обучения, обученные на терабайтах данных с реальных дорог Москвы, Казани и Сочи. Время реакции системы на изменение условий составляет менее 200 мс.

В текущей версии автомобиль не поддерживает 5-й уровень автономности из-за законодательных и технических ограничений. Однако в рамках пилотных проектов в Иннополисе и Сколково «СберАвто» тестирует расширение ODD для включения парковок, дворовых территорий и участков с временными дорожными работами. Для этого применяются дополнительные сенсоры, включая ультразвуковые датчики и тепловизоры, а также облачные обновления карт в реальном времени.

Пользователям рекомендуется проверять актуальные геозоны поддержки 4-го уровня через приложение «СберАвто», так как они регулярно обновляются. В зонах с высокой плотностью пешеходов или нестандартной инфраструктурой (например, стройплощадки) система может переключаться на 3-й уровень даже при благоприятных погодных условиях. Для безопасной эксплуатации водитель обязан проходить ежегодное обучение по взаимодействию с автономными функциями.

Как происходит обработка данных в реальном времени

Автономный автомобиль Сбера обрабатывает до 4 ГБ данных в секунду от 12 камер, 5 лидаров, 6 радаров и ультразвуковых датчиков. Каждый сенсор генерирует поток с частотой от 10 до 30 Гц, что требует синхронизации с точностью до 1 мс. Для этого используется протокол PTP (Precision Time Protocol) по Ethernet-сети с пропускной способностью 10 Гбит/с.

Данные поступают в бортовой вычислительный комплекс на базе NVIDIA DRIVE AGX Orin с 2048 ядрами CUDA и 64 тензорными ядрами. Система разделяет обработку на три уровня:

• Сенсорный уровень: предварительная фильтрация шумов, калибровка и преобразование RAW-данных в облака точек (лидары) и семантические карты (камеры).
• Уровень восприятия: детекция объектов с использованием моделей YOLOv8 и PointPillars, работающих на частоте 20–25 FPS. Для классификации применяется ансамбль из ResNet-50 и Vision Transformer с точностью 97,3% на датасете KITTI.
• Уровень планирования: построение траектории с учетом динамических ограничений (максимальное ускорение 3 м/с², рывок 5 м/с³) и прогнозирования поведения других участников дорожного движения на 5 секунд вперед.

Для снижения задержек применяется конвейерная обработка: пока один кадр анализируется на уровне восприятия, следующий уже проходит сенсорную обработку. Задержка от получения данных до выдачи управляющего сигнала не превышает 120 мс. Критические алгоритмы оптимизированы с помощью TensorRT, что сокращает время инференса на 40% по сравнению с базовыми реализациями.

Данные о дорожной обстановке кодируются в векторное пространство размерностью 256 измерений. Для этого используется автоэнкодер с архитектурой U-Net, обученный на 1,2 млн сцен из российских городов. Вектор содержит:

1. Позиции и скорости объектов (до 64 участников).
2. Семантическую разметку дорожного полотна (разметка, знаки, светофоры).
3. Состояние автомобиля (скорость, угол поворота руля, ускорение).
4. Прогнозные траектории с вероятностными распределениями.

Для работы в условиях ограниченной видимости (туман, снег) применяется мультимодальная фьюжн-модель, объединяющая данные лидаров и радаров. Лидары обеспечивают точность позиционирования ±2 см на дистанции до 100 м, радары – обнаружение объектов на расстоянии до 250 м с разрешением 0,5°. Данные синхронизируются с помощью алгоритма ICP (Iterative Closest Point) с адаптивным порогом соответствия 0,05 м.

Система использует два контура обратной связи:

• Быстрый контур (50 Гц): корректировка траектории на основе данных инерциальной навигационной системы (IMU) и одометрии колес. Позволяет компенсировать дрейф GPS (погрешность до 1,5 м в городских условиях).
• Медленный контур (10 Гц): перепланирование маршрута с учетом обновленных карт HD (разрешение 5 см/пиксель) и данных о дорожных событиях от облачной платформы Сбера. Карты обновляются каждые 15 минут через защищенный канал 5G с задержкой менее 200 мс.

Для обеспечения отказоустойчивости критические компоненты дублируются: вычислительный комплекс имеет два идентичных модуля Orin, работающих в режиме горячего резерва. При обнаружении расхождений в данных (порог 3%) система переключается на резервный модуль за 15 мс. Логика переключения реализована на FPGA Xilinx Zynq UltraScale+, что исключает задержки, характерные для программных решений.

Обработка данных в реальном времени требует жесткого контроля за использованием ресурсов. В штатном режиме GPU загружен на 70–80%, CPU – на 40–50%, а пропускная способность памяти не превышает 80% от максимальной. Для мониторинга применяется инструмент NVIDIA Nsight Systems, который позволяет выявлять узкие места с точностью до отдельных ядер CUDA. Рекомендуется:

• Использовать статическую память для хранения весов моделей (сокращает время загрузки на 30%).
• Оптимизировать размер батчей: для камер – 4 кадра, для лидаров – 1 облако точек.
• Применять квантование INT8 для моделей восприятия (снижает потребление памяти на 75% при потере точности менее 1%).
• Ограничивать частоту обновления карт локальной зоны (радиус 200 м) до 2 Гц для снижения нагрузки на сеть.

Тестирование системы проводится на полигоне Сбера в Сколково, где воспроизводятся сценарии с плотностью до 120 объектов на км². Для валидации используется метрика Real-Time Factor (RTF), которая должна быть ≤1. В ходе испытаний среднее значение RTF составило 0,87, что гарантирует обработку данных быстрее реального времени на 13%. При превышении порога RTF=1,2 система переходит в безопасный режим с ограничением скорости до 20 км/ч.

Вопрос-ответ: