A jövő közlekedése: Intelligens járművek nyomában
🎯 Tedd próbára a tudásod – és nyerj bepillantást a jövő technológiájába!
Töltsd ki középiskolásoknak szóló kvízünket, amely az itt bemutatott autonóm járműves kutatásokra épül!
Ha jól válaszolsz, egyike lehetsz annak a 30 diáknak, akit meghívunk május 28-án a BME-re – ahol testközelből ismerheted meg a jövő járműveit, kutatóinkat és laborjainkat.
🕒 Kitöltési határidő: 2025. május 18.
Ne hagyd ki ezt az izgalmas lehetőséget – az élmény és az ajándékcsomag garantált! 🚗💡
Bevezetés: Az út a jövőbe
Képzeld el, hogy beülsz egy autóba, beállítod az úticélt, és attól kezdve a jármű mindent elvégez helyetted – biztonságosan elvisz a célodhoz, miközben te olvasással, beszélgetéssel vagy akár tanulással töltheted az időt. Ez nem egy távoli sci-fi jelenet, hanem a közlekedés jövője, amely már most formálódik a tudományos kutatólaboratóriumokban.
Mi, a Budapesti Műszaki és Gazdaságtudományi Egyetem Autonóm Rendszerek Nemzeti Laboratóriumának kutatói azért dolgozunk, hogy ez a jövő minél hamarabb és minél biztonságosabban valósággá váljon. Ebben a kiadványban betekintést nyerhetsz azokba a fejlesztésekbe és kutatásokba, amelyek alapjaiban fogják megváltoztatni azt, ahogyan közlekedünk.
Az önvezető autók, az intelligens forgalomirányítás vagy a kiterjesztett valóság technológiái nem csak a sci-fi filmek képzeletbeli világában léteznek — ezek a technológiák már ma is fejlesztés alatt állnak, és hamarosan a mindennapi életünk részévé válhatnak. A következő oldalakon megismerheted ezeket az izgalmas technológiákat, és azt is, hogy miért fontosak, hogyan működnek, és milyen kihívásokkal kell szembenéznünk a megvalósításuk során.
Készen állsz egy utazásra a jövő közlekedésébe? Tarts velünk, fedezzük fel együtt, mi vár ránk az intelligens járművek világában!
Hogyan „látnak” az önvezető autók? – Környezetérzékelés egyetlen kamerával
Az önvezető járművek számára alapvető fontosságú, hogy pontosan érzékeljék környezetüket – különösen akkor is, ha egy másik jármű részben takarásban van. A környezet megfelelő érzékelése az első lépés bármilyen önvezető funkció működéséhez.
Mi az egyképes környezeti érzékelés és mire használjuk?
A képalapú környezetértelmezés egy olyan technológia, amely lehetővé teszi, hogy az autó egyetlen kép alapján is megértse a háromdimenziós környezetét. Képzeld el, hogy az autód nemcsak a látható objektumokat érzékeli, hanem képes „látni” és reagálni a részben takart járművekre is.
Ez a technológia kulcsszerepet játszik az autonóm járművek fejlesztésében. Az új algoritmusok segítségével olyan forgalmi helyzeteket is pontosan értelmezhetünk, amelyeket hagyományos módszerekkel nehéz lenne:
- Részben takart járművek érzékelése
- Pontos térbeli helyzet meghatározása
- Komplex közlekedési szituációk értelmezése
Hogyan működik a járművek felismerése?
Az önvezető járművek kamerarendszerénél kulcsfontosságú, hogy pontosan azonosítsa a járművek legfontosabb pontjait. Ehhez különleges algoritmusokat használunk, amelyek:
- A járművek kulcspontjait (fényszórók, visszapillantók, kerekek) azonosítják
- A jármű pontos térbeli helyzetét kiszámítják
- A részben nem látható járműrészeket is rekonstruálják
Mi az előnye az egykamerás rendszernek?
A képalapú környezetértelmezés módszere lehetővé teszi, hogy költséghatékony módon fejlesszünk biztonságos önvezető rendszereket. Ez a megközelítés nem igényel drága érzékelőket (például LIDAR-t vagy RADAR-t), mégis pontos képet ad a környezetről.
Ez a technológia nemcsak a forgalomban, hanem például parkolóházakban is hasznos lehet, ahol az önvezető funkcióval rendelkező járművek könnyebben navigálhatnak szűk helyeken is, miközben pontosan felismerik a környező autókat.
Próbakérdés: Milyen előnyökkel jár az egyképes kamerás környezetérzékelés az önvezető technológiában?
A) Olcsóbb és kevesebb hardvert igényel, mint a komplex szenzoros rendszerek, miközben képes felismerni a részben takart járműveket is.
B) Pontosabb képet ad a környezetről, mint bármely más szenzor, beleértve a lidart és radart is.
C) Egyszerűbb telepítés és karbantartás, valamint kisebb energiafogyasztás a többszenzoros rendszerekhez képest.
Hogyan találja meg az utat egy önvezető autó?
Az önvezető autók egyik alapvető képessége, hogy pontosan tudják, hol vannak és merre tartanak — még a legnehezebb körülmények között is. De vajon hogyan működik ez a technológia?
Mi az a GNSS és INS?
A GNSS (Globális Műholdas Navigációs Rendszer) segítségével az autó a világűrből érkező jelekből meghatározza a helyzetét. A legtöbben a GPS (amerikai rendszer) nevet ismerjük, de léteznek más hasonló rendszerek is, mint az európai Galileo vagy az orosz GLONASS. Ez az alapvető technológia, amely lehetővé teszi, hogy az autó tudja, hol van a világban.
Az INS (Inerciális Navigációs Rendszer) figyeli az autó mozgását, gyorsulását és irányváltoztatásait akkor is, ha éppen nincs műholdas jel — például alagutakban vagy felhőkarcolókkal teli városi környezetben.
Miért fontos a több antennás GNSS rendszer?
A hagyományos navigációs rendszerekkel ellentétben, amelyek csak egy antennát használnak, a több antennás GNSS rendszer pontosabban határozza meg nemcsak az autó helyzetét, hanem azt is, hogy pontosan merre néz. Ez különösen hasznos alacsony sebességnél vagy álló járműveknél, valamint olyan helyzetekben, ahol a hagyományos GPS rendszer gyakran gyenge jeleket kap.
/
Hogyan segíti az INS a navigációt?
Ha a műholdas jel gyenge vagy megszakad, az INS szenzorok átveszik a szerepet. Ezek az apró, de nagy pontosságú eszközök mérik az autó minden mozgását és gyorsulását, így a rendszer folyamatosan tudja, merre halad, még akkor is, ha éppen egy alagútban vagy magas épületek között jár.
Mi a szenzorfúzió előnye?
A GNSS/INS szenzorfúzió összekapcsolja a két rendszer erősségeit: a GNSS a globális helymeghatározást biztosítja, míg az INS a folyamatos mozgáskövetést. Ez a kombináció robusztusabb, pontosabb helymeghatározást tesz lehetővé, ami elengedhetetlen az önvezető járművek számára.
Próbakérdés: Mi a fő oka annak, hogy az önvezető járművek nem támaszkodhatnak kizárólag a GNSS (GPS) rendszerre?
A) A GNSS rendszer túl pontatlan ahhoz, hogy biztonságosan navigálhassuk a járművet.
B) A GNSS jelek könnyen blokkolódhatnak alagutakban, magas épületek között vagy rossz időjárási körülmények között, így szükség van az INS rendszer kiegészítő adataira is.
C) A GNSS rendszer túl drága ahhoz, hogy a járművekbe építsék, ezért más alternatívákat keresnek.
Járművek mozgástervezése és mozgásszabályozása
Miután az önvezető jármű érzékelte környezetét és meghatározta helyzetét, meg kell terveznie és végre kell hajtania a biztonságos mozgást. A mozgástervezés és -szabályozás a jövő közlekedésének egyik kulcsterülete.
Balesetmegelőzés vagy kényelmi funkciók?
Kutatásaink két fő területre összpontosítanak:
- Balesetmegelőző rendszerek: Például egy hirtelen kikerülési manőver vagy vészfék asszisztens, amelyek gyors, dinamikus beavatkozást igényelnek
- Kényelmi vezetéssegítő rendszerek: Mint a sávtartó rendszer vagy az adaptív tempomat, amelyek a hosszú távú, kényelmes vezetést segítik
Hogyan irányítjuk a járműveket?
A járművek mozgásának szabályozásához speciális aktuátorokra van szükség:
- A motor nyomatéka, amelyet elektronikus gázpedálok segítségével lehet szabályozni
- Fékrendszerek, mint az ABS, amelyek képesek külön-külön fékezni a kerekeket
- Elektromos járműveknél akár kerekenként eltérő nyomaték alkalmazása
Hogyan lehet megcsúszás közben is irányítani az autót?
Kutatásaink egyik legfontosabb eredménye, hogy képesek vagyunk a megcsúszó járművek irányítását is stabilizálni. A jármű fizikai modelljének pontos ismerete és a fejlett mozgásirányítási módszerek révén még extrém helyzetekben — például egy drift manőver során — is megőrizzük a jármű irányíthatóságát.
Próbakérdés:
Egy önvezető autó hirtelen csúszós útra ér. Milyen rendszer segíti a járművet abban, hogy ilyen helyzetben is irányítható maradjon?
A) Kizárólag a GNSS rendszer, amely folyamatosan frissíti az autó helyzetét a térképen.
B) Az intelligens mozgásszabályozó rendszer, amely a jármű fizikai modelljét használva képes alkalmazkodni a megváltozott útfelülethez és megtartani az irányítást.
C) A kommunikációs rendszer, amely azonnal értesíti a többi járművet a csúszós útszakaszról.
Gépi tanulás az önvezető autók döntéshozatalában
Képzeld el, hogy egy önvezető autónak folyamatosan döntenie kell arról, melyik sávba lépjen vagy merre kanyarodjon, hogy az utazás biztonságos, kényelmes és energiatakarékos legyen! Különösen nagy kihívást jelent ez a zsúfolt, nagyvárosi forgalomban, ahol az utak tele vannak váratlan helyzetekkel.
Miért nem elegendőek a hagyományos algoritmusok?
A hagyományos, merev szabályalapú algoritmusokkal szinte lehetetlen kezelni a közúti forgalom összetettségét és változékonyságát. Ezek az algoritmusok nem képesek alkalmazkodni a váratlan helyzetekhez, és nem tudnak tanulni a tapasztalataikból.
Hogyan segít a megerősítéses tanulás?
A kutatásaink során a mesterséges intelligencia egyik legizgalmasabb eszközét, a megerősítéses tanulást is alkalmazzuk. Ez a módszer lehetővé teszi, hogy a rendszer a „tapasztalataiból” tanuljon, hasonlóan ahhoz, ahogyan egy ember megtanul kerékpározni vagy autót vezetni.
Hogyan működik a gyakorlatban?
Virtuális szimulációs környezetben tanítjuk be a rendszereket, ahol biztonságosan gyakorolhatnak különböző helyzeteket:
- Sávváltást dinamikus forgalmi helyzetekben
- Gyalogosok vagy más akadályok kikerülését
- Komplex manőverek végrehajtását
A rendszerek kis méretű neurális hálózatokon alapulnak, így alacsony számítási igény mellett is képesek megbízható döntéseket hozni. Ez különösen fontos az önvezető járművekben, ahol a valós idejű döntéshozatal elengedhetetlen.
Próbakérdés:
Miért alkalmazzák a megerősítéses tanulást az önvezető járművek fejlesztésében a hagyományos algoritmusok helyett?
A) Mert a megerősítéses tanulás során a rendszerek tapasztalatokból tanulnak, és így képesek alkalmazkodni a változó és előre nem látható közlekedési helyzetekhez.
B) Mert a megerősítéses tanulás gyorsabban fut a járművek fedélzeti számítógépein.
C) Mert a megerősítéses tanulás kizárólag emberi irányítás mellett működik, így biztonságosabb.
Kommunikáló járművek: hálózatba kapcsolt közlekedés
A modern járművek nemcsak önállóan manővereznek, hanem egymással és az infrastruktúrával is információt cserélnek. Ez egy teljesen új képességet ad a közlekedési rendszereknek.
A vezeték nélküli kommunikáció szerepe
A legmodernebb járművek egyre nagyobb mértékben fognak támaszkodni vezeték nélküli kommunikációs technológiákra, amelyek lehetővé teszik az adatok valós idejű megosztását. Az autók képesek egymással megosztani:
- Pillanatnyi sebességüket
- Pontos helyzetüket
- A közlekedési veszélyekkel kapcsolatos információkat
Ez a technológia alapvető szerepet játszik az intelligens közlekedési rendszerekben, hiszen segíthet a balesetek megelőzésében és támogatja az önvezető járművek fejlődését.
Mi történik kommunikációs hibák esetén?
Sajnos a vezeték nélküli kommunikáció nem mindig tökéletes. Ha egy vészjelzés késve érkezik meg, vagy egy másik autó nem tudja időben megosztani a helyzetét, az súlyos következményekkel járhat.
Hogyan javíthatjuk a megbízhatóságot?
Kutatásaink során olyan matematikai modelleket fejlesztünk, amelyek figyelembe veszik:
- A járművek mozgását
- A kommunikáció minőségét
- Ezek hatását a közlekedés biztonságára
Ezekkel az eszközökkel képesek vagyunk elemezni, hogy egy kritikus üzenet elvesztése milyen valószínűséggel vezethet balesethez, és hogy az ilyen események milyen súlyosak lehetnek.
Az eredmények segítenek abban, hogy megbízhatóbbá tegyük a járművek közötti kommunikációt, és csökkentsük a technológiai hibákból adódó kockázatokat.
Próbakérdés:
Egy önvezető autó kommunikációs rendszere meghibásodik, és nem tud információt fogadni a többi járműtől. Mi lehet ennek a következménye?
A) Semmi, mivel az önvezető autók kizárólag saját szenzoraikra támaszkodnak.
B) Az autó nem értesül időben a nem látható veszélyekről (például a kanyar után álló jármű vagy baleset), amit a többi autó már észlelt és megosztott.
C) Az autó kénytelen azonnal megállni, mivel a kommunikáció nélkül nem tud tovább működni.
Mesterséges intelligencia a forgalomirányításban
A közlekedés nem csak az egyes járművek szintjén változik — az egész közlekedési rendszer is intelligensebbé válik a mesterséges intelligencia segítségével.
Az intelligens közlekedési lámpák forradalma
Képzeld el, hogy a közlekedési lámpák nem előre beprogramozott időzítés szerint működnek, hanem képesek önállóan dönteni a forgalom optimális irányításáról! A lámpák figyelik a forgalmat, tanulnak a helyzetekből, és valós időben alkalmazkodnak a változó körülményekhez.
Optimalizálás és biztonság egyensúlya
A legtöbb MI-alapú közlekedési megoldás eddig az optimalizálásra koncentrált: gyorsabb haladás, kevesebb dugó. Csakhogy ezek a rendszerek gyakran figyelmen kívül hagyják a biztonságot.
A mi megközelítésünk más: a célunk egy olyan mesterséges intelligencia létrehozása, amely nemcsak tanul és fejlődik, hanem garantáltan betartja a közlekedésbiztonsági előírásokat is. Ehhez is a megerősítéses tanulás (Reinforcement Learning, RL) technikát alkalmazzuk, amely lehetővé teszi, hogy az MI folyamatosan javítsa a döntéseit.
Ipari számítógépekre optimalizált MI
A forgalomirányító lámpákat olyan speciális ipari számítógépek, ún. PLC-k (Programmable Logical Controller) vezérlik, amelyeknek korlátozott a számítási kapacitása. Ezért olyan optimalizált AI-t fejlesztünk, amely képes hatékonyan működni ezeken az eszközökön, miközben folyamatosan tanul az újabb és újabb közlekedési helyzetekből.
Ha ez a technológia elterjed, a jövőben a közlekedési lámpák valóban intelligenssé válhatnak, csökkentve a torlódásokat és baleseteket, növelve a közlekedés hatékonyságát.
Próbakérdés:
Mi a legfontosabb előnye az intelligens, mesterséges intelligenciával működő forgalomirányító rendszereknek a hagyományos, előre időzített rendszerekkel szemben?
A) Az AI-alapú rendszerek képesek valós időben alkalmazkodni a forgalmi helyzethez, miközben betartják a biztonsági előírásokat is, így egyszerre növelik a hatékonyságot és a biztonságot.
B) Az AI-alapú rendszerek olcsóbbak, mivel kevesebb hardvert igényelnek a működésükhöz.
C) Az AI-alapú rendszerek kizárólag a forgalom gyorsítására koncentrálnak, ami jelentősen csökkenti a menetidőt.
Kevert valóság a járműfejlesztésben
Az önvezető járművek fejlesztésénél kulcsfontosságú a tesztelés — de hogyan lehet biztonságosan tesztelni egy olyan rendszert, amely emberéletekért lesz felelős?
Mi a kevert valóság és mire használjuk?
A kevert valóság egy olyan technológia, amely egyesíti a valós és a virtuális világot. Képzeld el, hogy az autód nemcsak a valós világot érzékeli, hanem a virtuális térben létező objektumokat is „látja” és képes kölcsönhatásba lépni velük.
Ez a technológia kulcsszerepet játszik az autonóm járművek fejlesztésében. A kevert valóság segítségével a tesztelés során olyan forgalmi helyzeteket is megjeleníthetünk, amelyeket a való életben nehéz vagy veszélyes lenne kipróbálni:
- Balesetveszélyes helyzetek
- Extrém időjárási körülmények
- Váratlan közlekedési szituációk
Hogyan hozunk létre valósághű virtuális környezetet?
A járművek tesztelése során kulcsfontosságú, hogy a virtuális világ a lehető legélethűbb legyen. Ehhez különböző szimulációs programokat használunk, amelyek egy-egy területre specializálódnak:
- A közúti forgalom dinamikájának szimulálására
- A járművek mozgásának modellezésére
- A járművek közötti vezeték nélküli kommunikáció vizsgálatára
Mi az a párhuzamos szimuláció, és miért fontos?
A koszimuláció módszere lehetővé teszi, hogy különböző szimulátorokat összekapcsoljunk, és ezek valós időben, összehangoltan működjenek. Ezzel a technikával a valós jármű egy komplex, digitálisan létrehozott környezetben tesztelhető, amely közel áll a valós forgalmi helyzetekhez.
Ez a megközelítés biztonságosabbá és hatékonyabbá teszi az önvezető járművek fejlesztését, mivel lehetővé teszi a veszélyes helyzetek kontrolált körülmények közötti vizsgálatát, anélkül, hogy valós kockázatot jelentene.
Próbakérdés:
Miért előnyös a koszimuláció használata az önvezető járművek fejlesztése során?
A) Lehetővé teszi különböző szimulációs rendszerek összekapcsolását, hogy egy komplex, de biztonságos tesztkörnyezetet hozzunk létre, ahol a valós járművek virtuális elemekkel léphetnek interakcióba.
B) Olcsóbb mint a valós tesztelés, bár kevésbé pontos eredményeket ad.
C) Kizárólag virtuális elemekkel dolgozik, így teljesen kiküszöböli a valós tesztelés szükségességét.
Információ a szemünk előtt: Kiterjesztett valóság a járművekben
A vezetés közben történő információfeldolgozás kritikus fontosságú a biztonság szempontjából. De mi történik, ha a sofőrnek folyamatosan le kell vennie a szemét az útról, hogy megnézze a sebességét vagy a navigációs utasításokat?
Mi az a Head-Up Display (HUD) rendszer?
A Head-Up Display egy olyan technológia, amely a vezetési információkat közvetlenül a szélvédőre vetíti. Ennek köszönhetően a sofőr folyamatosan az útra figyelhet, miközben látja az autó fontos adatait — például a sebességet, a navigációs utasításokat vagy a közlekedési veszélyekre figyelmeztető jelzéseket.
Miért forradalmi a kiterjesztett valóság alapú HUD?
A legújabb fejlesztésű, kiterjesztett valóság alapú HUD rendszerek nemcsak nagyobb megjelenítési felületet biztosítanak, hanem képesek a valós környezethez illeszkedő információkat megjeleníteni. Képzeld el, hogy a szélvédőn láthatod a követési távolságot, a sötétben egy kivilágítatlan kerékpáros kontúrját vagy a következő kanyar optimális ívét!
Milyen technikai fejlesztések teszik ezt lehetővé?
Az új technológiai megoldások:
- Nagyobb képméretet biztosítanak kisebb beépítési helyigénnyel
- Megszüntetik a zavaró szellemképeket és a külső fények visszatükröződését
- Tisztább és megbízhatóbb vizuális információkat nyújtanak
Próbakérdés:
Hogyan növeli a közlekedésbiztonságot a kiterjesztett valóság alapú Head-Up Display technológia?
A) A vezető egyszerre láthatja az utat és a fontos vezetési információkat, így nem kell levennie a tekintetét az útról, miközben akár a valós környezettel összekapcsolt információkat is kaphat (pl. kanyarodási ív, kivilágítatlan akadályok kiemelése).
B) Elsősorban szórakoztató tartalmakat jelenít meg, ami segít a vezetőnek ébren maradni hosszú utak során.
C) Automatikusan átveszi az irányítást vészhelyzet esetén, amit a szélvédőn jelez a sofőrnek.
Összefoglalás: Úton az autonóm közlekedés felé
Az elmúlt bekezdésekben betekintést nyerhettél azokba a kutatásokba és fejlesztésekbe, amelyek a jövő közlekedését formálják. A Budapesti Műszaki és Gazdaságtudományi Egyetem Autonóm Rendszerek Nemzeti Laboratóriumában folyó munka célja, hogy az önvezető járművek és intelligens közlekedési rendszerek biztonságosak, hatékonyak és megbízhatóak legyenek.
Az út a teljesen autonóm közlekedés felé hosszú és kihívásokkal teli, de a kutatók nap mint nap dolgoznak azon, hogy ez a jövőkép valósággá váljon. Az itt bemutatott technológiák — a precíz helymeghatározástól kezdve a mesterséges intelligencián át a kevert valóságig — mind egy-egy puzzle-darabját jelentik ennek az izgalmas jövőképnek.
Reméljük, hogy ez a kiadvány felkeltette az érdeklődésedet a modern közlekedési technológiák iránt, és talán inspirált arra, hogy többet tudj meg róluk, vagy akár Te is részt vegyél fejlesztésükben a jövőben!
Hamarosan online kvízjátékot is indítunk, ahol próbára teheted a megszerzett tudásodat, és izgalmas nyereményeket nyerhetsz. Kísérd figyelemmel a honlapunkat és közösségi média oldalainkat a részletekért!
Fogalomtár az autonóm járművek technológiáihoz
Navigáció és helymeghatározás
GNSS (Globális Műholdas Navigációs Rendszer)
Műholdak hálózata, amely lehetővé teszi a pontos helymeghatározást a Föld bármely pontján. Ide tartozik az amerikai GPS, az európai Galileo, az orosz GLONASS és a kínai BeiDou rendszer.
GPS (Global Positioning System)
Az Egyesült Államok által üzemeltetett, világszerte használt műholdas helymeghatározó rendszer, amely a GNSS egyik típusa.
INS (Inerciális Navigációs Rendszer)
Olyan rendszer, amely gyorsulásmérők és giroszkópok segítségével méri a jármű mozgását, forgását és helyzetét, külső referencia nélkül is.
Szenzorfúzió
Különböző típusú szenzorokból származó adatok egyesítése pontosabb és megbízhatóbb információ érdekében. Például a GNSS/INS szenzorfúzió a műholdas és inerciális adatok kombinációja.
Látás és érzékelés
Head-Up Display (HUD)
Olyan kijelző, amely a szélvédőre vetíti a vezetési információkat, lehetővé téve, hogy a vezető ne vegye le a szemét az útról.
Kiterjesztett valóság (Augmented Reality, AR)
Technológia, amely a valós környezetet digitális információkkal egészíti ki. Az autóiparban a HUD-rendszerek fejlett változata, amely környezethez igazodó vizuális információkat jelenít meg.
Kevert valóság (Mixed Reality, MR)
A valós és virtuális világ összekapcsolása, ahol a fizikai és digitális objektumok egyszerre léteznek és valós időben lépnek kölcsönhatásba egymással.
LIDAR (Light Detection and Ranging)
Lézeres távolságmérő rendszer, amely fénnyel „letapogatja” a környezetét, és részletes 3D térképet készít a jármű körüli területről.
Képalapú környezetértelmezés
Kamerák által készített képeket feldolgozó technológia, amely lehetővé teszi a környezet háromdimenziós értelmezését.
Járműirányítás és kommunikáció
Aktuátor
Olyan eszköz, amely a jármű vezérlőrendszerétől kapott utasításokat fizikai mozgássá alakítja (pl. elektronikus gázpedál, fékrendszer).
ABS (blokkolásgátló fékrendszer)
Olyan fékrendszer, amely megakadályozza a kerekek blokkolását fékezés közben, ezáltal a jármű irányítható marad.
Balesetmegelőző rendszerek
Olyan járműtechnológiák, amelyek gyors, dinamikus beavatkozással (pl. vészfékező rendszer) segítenek elkerülni a baleseteket.
Vezetőtámogató rendszerek
A vezetés kényelmét és biztonságát növelő technológiák, mint például az adaptív tempomat vagy a sávtartó asszisztens.
V2X (Vehicle-to-Everything) kommunikáció
Technológia, amely lehetővé teszi a járművek kommunikációját más járművekkel (V2V), az infrastruktúrával (V2I) és egyéb elemekkel.
Mesterséges intelligencia és szimuláció
Mesterséges intelligencia (AI)
Számítógépes rendszerek azon képessége, hogy olyan feladatokat végezzenek el, amelyek normálisan emberi intelligenciát igényelnek.
Megerősítéses tanulás (Reinforcement Learning, RL)
Gépi tanulási módszer, ahol egy algoritmus próba-hiba módszerrel tanul, pozitív visszajelzést (megerősítést) kapva a „jó” döntésekért.
Neurális hálózat
Az emberi agy működését utánzó számítógépes modell, amelyet mesterséges intelligencia-alapú feladatokra használnak.
Párhuzamos szimuláció
Különböző szimulációs rendszerek összekapcsolása, amelyek valós időben, összehangoltan működnek a valósághű tesztelési környezet létrehozása érdekében.
Járműtechnológia kifejezések
Önvezető autó
Olyan jármű, amely emberi beavatkozás nélkül képes közlekedni, érzékelők, szoftverek és vezérlőrendszerek segítségével.
Drift manőver
Olyan vezetési technika, amikor a jármű hátsó kerekei szándékosan megcsúsznak, miközben a jármű továbbra is irányítható marad.
Adaptív tempomat
Olyan vezetőtámogató rendszer, amely automatikusan tartja a beállított sebességet és távolságot az előtte haladó járműtől.
Sávtartó rendszer
Vezetőtámogató technológia, amely a jármű sávban tartását segíti a sávjelzések felismerésével.
Intelligens közlekedési rendszerek (ITS)
Fejlett technológiákat alkalmazó közlekedési infrastruktúra, amely javítja a közlekedés biztonságát, hatékonyságát és fenntarthatóságát.
Az ezen az oldalon bemutatott kutatások megvalósulását a Magyar Kormány és az Európai Unió támogatta az Autonóm Rendszerek Nemzeti Laboratórium (RRF-2.3.1-21-2022-00002) keretében.
