Более 100 дней испытаний Tesla FSD выявили сотни вмешательств водителя и системные ошибки на повседневных дорожных сценариях — от школьных зон до круговых развязок
В Австралии длительные дорожные испытания системы Tesla Full Self-Driving (FSD) показали, что технологии автономного вождения уже способны уверенно справляться с частью задач, но всё ещё регулярно ошибаются в типичных дорожных ситуациях, требующих вмешательства человека.
Контекстом для исследования стало заявление главы Nvidia Дженсена Хуанга о «наступлении ChatGPT-момента для беспилотных автомобилей», а также активное расширение присутствия автономных систем на дорогах Австралии, где Tesla FSD уже используется на общественных дорогах, а Waymo изучает возможность запуска роботакси.
За более чем 100 дней ежедневного тестирования Tesla Model Y с включённым FSD на дорогах Квинсленда исследователи зафиксировали свыше 500 критических ситуаций, в которых системе требовалось вмешательство водителя или проявлялись ограничения в интерпретации дорожной среды. Для систематизации наблюдений был создан публичный архив White Box Autonomy, фиксирующий реальные сбои автономного транспорта в полевых условиях.
Одним из ключевых выводов стало то, что возможности системы одновременно недооценены и переоценены. С одной стороны, FSD часто демонстрировал плавное и точное вождение, недоступное среднему водителю. С другой — регулярно допускал ошибки в простых ситуациях, которые человек обычно обрабатывает автоматически, без осознанного контроля.
Например, на небольшом мосту в жилом районе система неоднократно начинала «петлять», неуверенно корректируя траекторию движения. Это указывает на более широкую проблему: даже хорошо читаемая человеком дорожная разметка может быть неоднозначной для алгоритмов автономного вождения.
Системные трудности также проявились в зонах с ограничением скорости по времени, таких как школьные участки. В ряде случаев вмешательство водителя требовалось более чем в 90% ситуаций, включая ошибочное соблюдение ограничений в неактивное время — например, вечером после окончания школьных занятий.
Отдельные риски были зафиксированы на железнодорожных переездах. В одном эпизоде автомобиль остановился перед переездом вместе с машиной впереди, и продолжение движения могло привести к остановке на рельсах, что потребовало экстренного торможения водителем.
Проблемы возникали и в сценариях с правилом поочерёдного слияния потоков, которое сильно зависит от неформального взаимодействия водителей. В одном из случаев ни система, ни другой автомобиль не уступили дорогу, и ситуацию пришлось корректировать вручную.
Также фиксировались ошибки в сложных круговых развязках, на плохо размеченных или крутых улицах с плотной парковкой, а также при распознавании участников движения: например, самокатчики иногда классифицировались как пешеходы. В сложных погодных условиях система теряла точность из-за ухудшения видимости разметки и границ дороги.
При этом ни одна из протестированных поездок за весь период не была полностью завершена без вмешательства водителя, что подчёркивает текущие ограничения технологии в реальных условиях.
Исследователи отмечают, что часть проблем связана не только с алгоритмами, но и с самой дорожной инфраструктурой. Современные дороги изначально проектировались для человеческого восприятия, а не машинного анализа, что создаёт системные неоднозначности для автономных систем.
Ранее подход к автономному транспорту предполагал создание «умной инфраструктуры», однако сегодня основной фокус сместился на развитие автомобилей, способных работать на существующих дорогах. По результатам тестов предлагается промежуточная модель: одновременное улучшение как алгоритмов, так и дорожной среды.
Речь идёт не о масштабной перестройке инфраструктуры, а о практических мерах — более чёткой разметке, повторяющихся дорожных знаках, улучшении качества покрытия и снижении неоднозначности на перекрёстках. Такие изменения могут быть реализованы в рамках обычного дорожного обслуживания.
Отдельно отмечается потенциал автономных автомобилей как мобильных сенсоров: они способны собирать данные о состоянии дорог, фиксировать повреждения покрытия, износ разметки и транспортные заторы, формируя дополнительный слой мониторинга дорожной сети в реальном времени.
Авторы исследования подчёркивают, что большинство проблем связано не с редкими «краевыми случаями», а с повторяющимися повседневными сценариями. Это означает, что готовность автономного транспорта зависит не только от совершенства ИИ, но и от того, насколько дорожная среда адаптирована к машинному восприятию.