Исследователи из Сеульского национального университета показали SafeDrive — модель для беспилотных автомобилей, которая не хватается за первый же вариант движения. Сначала она просчитывает несколько манёвров, потом сравнивает их по безопасности и оставляет тот, что выглядит надёжнее. Работу уже отметили на CVPR 2026, а туда, как известно, попадает лишь небольшая доля заявок.
В привычных end-to-end-системах всё устроено иначе: они учатся повторять действия водителя на больших массивах поездок. SafeDrive делает ставку на более понятный ход рассуждений. Для автономного транспорта это заметный поворот, потому что по знакомым дорогам такие модели ездят уверенно, а вот в редких и неудобных ситуациях часто спотыкаются именно на выборе манёвра.
Фото: Leo_Visions / Unsplash
У SafeDrive есть и вполне приземлённая задача. Крупные разработчики автономного транспорта уже давно пытаются не просто научить машину ехать, а заставить её выбирать между несколькими рискованными вариантами так, чтобы этот выбор можно было проверить. На этом фоне корейская работа выглядит как попытка добавить к автопилоту отдельный слой проверки безопасности, а не полагаться только на ответ нейросети, каким бы уверенным он ни казался.
Большинство современных систем автономного вождения держатся на огромных датасетах с дорог общего пользования. Пока ситуация похожа на уже виденные примеры, всё работает довольно гладко: машина распознаёт разметку, пешехода, впереди идущий автомобиль и действует по знакомому шаблону.
Сложности начинаются там, где нужного примера в обучении не было. Неожиданный перестроившийся автомобиль, наполовину перекрытая полоса, редкий конфликт на дороге или запутанная развязка могут подтолкнуть систему к манёвру, который выглядит правдоподобно, но на деле повышает риск аварии. И ещё одна проблема: такие модели часто показывают результат, но не объясняют, почему выбрали именно его.
Поэтому рынок автономного транспорта всё чаще уходит от идеи одной большой нейросети, которая якобы справится со всем сразу. Tesla, Waymo и ряд китайских игроков давно двигаются к более сложным стеком решений, где распознавание, планирование и контроль живут в разных модулях. В такой схеме отдельный блок оценки риска выглядит вполне естественно: маршрут ещё нужно проверить, а не просто принять как готовый ответ.
SafeDrive как раз работает в этом направлении. Разработчики называют свой подход Fine-grained Safety Reasoning — детальным рассуждением о безопасности. Модель не ограничивается одним действием, а строит несколько траекторий, сверяет их с данными датчиков и сравнивает по риску.
Это важно не только для лабораторных тестов. В автопроме и роботакси уже не первый год ищут способ сделать автономное вождение менее «чёрным ящиком». Публичные инциденты с беспилотниками в США и Китае показали, что вопрос не сводится к тому, видит ли машина дорогу. Не меньшее значение имеет то, как она оценивает риск и кто потом сможет проверить этот выбор.
SafeDrive уже встроили в EAD — эталонную модель автономного вождения, которую поддерживает Министерство торговли, промышленности и энергетики Южной Кореи. Команда также начала работу с местными производителями беспилотных автомобилей, чтобы проверить подход не только в симуляции, но и на реальных машинах.
Если дорожные испытания подтвердят лабораторные результаты, у корейской разработки может появиться своя ниша между классическим end-to-end-подходом и тяжёлыми модульными системами. Для индустрии это особенно интересно сейчас, когда коммерческие проекты роботакси и беспилотной доставки упираются не только в сенсоры и карты, но и в то, насколько предсказуемо машина ведёт себя в редких и дорогих по ошибке сценариях.