500 критических эпизодов за 100 дней: Tesla FSD провалила обычные дороги Австралии

Австралийские испытания Tesla Full Self-Driving показали вещь, которую в индустрии стараются обходить стороной: даже продвинутая система помощи водителю регулярно ошибается не в каком-то экзотическом месте, а в обычных дорожных сценах. За более чем 100 дней тестов на дорогах Квинсленда исследователи насчитали свыше 500 критических эпизодов, когда без человека было не обойтись. И да — ни одна поездка за всё время не прошла совсем без вмешательства водителя.

Тестировали Tesla Model Y с включённой FSD в обычной дорожной жизни, а наблюдения складывали в открытый архив White Box Autonomy. На бумаге всё это выглядит убедительно, особенно если вспомнить громкие разговоры о скором «ChatGPT-моменте» для беспилотников. Но практика вышла куда прозаичнее: машина то ехала плавно и аккуратно, то спотыкалась там, где человек даже не задумывается.

Один из самых наглядных примеров — проезд по небольшому мосту в жилом районе. Автомобиль начинал «плавать» по полосе и неуверенно подруливал, хотя для живого водителя это обычная, почти скучная ситуация. Исследователи связывают такие сбои с более общей проблемой: дорожная среда, понятная человеку, для алгоритма часто остаётся неоднозначной, даже если нет ни дождя, ни тумана, ни чего-то ещё сложного.

Самые неприятные сбои пришлись не на редкие «краевые случаи», которыми отрасль любит оправдываться, а на повторяющиеся бытовые эпизоды. Система путалась в школьных зонах с временными ограничениями скорости, и в некоторых таких сценариях вмешательство требовалось более чем в 90% случаев. FSD могла держать «школьный» режим уже вечером, когда он не действует, или наоборот — неверно читать участок дороги.

Отдельно исследователи разбирают железнодорожные переезды. В одном эпизоде машина остановилась вслед за автомобилем впереди так, что продолжение манёвра могло закончиться остановкой прямо на рельсах. Человеку пришлось срочно брать управление на себя. Похожие сложности возникали и при поочерёдном слиянии потоков, где многое зависит от негласных правил между водителями, а не только от разметки и знаков.

Круговые развязки, узкие крутые улицы с плотной парковкой, плохая разметка, распознавание участников движения — список слабых мест получился длинным. Самокатчиков система, например, иногда записывала в пешеходы. Когда погода ухудшалась, точность тоже проседала: камерам и алгоритмам становилось сложнее видеть границы дороги и разметку. Для Австралии это особенно заметно, потому что в одной агломерации легко соседствуют магистрали, пригородные улицы и участки с очень разным качеством покрытия.

Проблемы Tesla FSD на обычных дорогах

Главная мысль работы в том, что автономное вождение тормозит не только из-за «сырого» ИИ. Проблема глубже: сами дороги проектировали под человеческое восприятие. Человек считывает контекст, жесты, привычки соседей по потоку, даже странности конкретного перекрёстка. Машине для этого нужны либо почти идеальные условия, либо очень большой запас данных и вычислений.

Индустрия уже переживала волну завышенных ожиданий. В конце 2010-х многие компании обещали быстрый приход полноценного беспилотного транспорта, потом сроки поехали в сторону. Cruise после аварии и конфликта с регуляторами фактически свернула амбиции в роботакси, а Waymo пошла более осторожным путём и расширяется только в тщательно ограниченных геозонах. На этом фоне Tesla с её ставкой на массовое использование камер и машинное обучение на обычных дорогах выглядит и самой смелой, и самой спорной.

Австралийский кейс интересен ещё и потому, что страна становится удобным полигоном для таких проверок. Tesla уже использует FSD на общественных дорогах, а Waymo изучает возможность запуска роботакси. При этом местная среда плохо подходит для красивых презентаций: много круговых развязок, частые временные ограничения, сложные пригородные маршруты и участки, где дорожная логика держится на привычках водителей.

Авторы исследования предлагают не ждать чуда только от софта. Их идея, скорее, в промежуточной модели: улучшать и алгоритмы, и инфраструктуру небольшими шагами. Речь не о дорогой перестройке улиц, а о более чёткой разметке, дублировании знаков, понятной организации перекрёстков и лучшем состоянии покрытия. Такие меры и обычным водителям не мешают, и машинам дают больше предсказуемости.

У этой логики есть и экономический смысл. По оценкам McKinsey, рынок автономной мобильности и ADAS-систем к следующему десятилетию может измеряться сотнями миллиардов долларов, но коммерциализация зависит не только от качества софта, а от реального числа безопасных километров без вмешательства. Именно здесь австралийский тест выглядит жёстко: ноль полностью «чистых» поездок за более чем 100 дней.

Парадокс в том, что такие автомобили уже умеют быть полезными даже без полноценной автономности. Исследователи напоминают, что они могут работать как мобильные сенсоры и собирать данные о качестве покрытия, стёртой разметке и заторах в реальном времени. Но до момента, когда машина уверенно пройдёт школьную зону, круговую развязку и железнодорожный переезд без помощи человека, отрасли, похоже, ещё предстоит набрать очень много дорожной статистики. И не только обещаний.