Autonomiczne pojazdy – czy samochody będą prowadzić się same?

Autonomiczne pojazdy – czy samochody będą prowadzić się same? | Obraz wygenerowany przez AI

Temat łączy technologie, rynek i bezpieczeństwo w dyskusji o przyszłości transportu.

Nowa klasa maszyn bazuje na kamery, radarach, lidarach, GPS i algorytmach AI, które razem tworzą systemy nawigacyjne.

Pełna autonomiczność wymaga ogromu danych — raporty wskazują na 4–6 TB danych dziennie dla jednego pojazdu. Skala SAE rozróżnia poziomy od 0 do 5; dziś mamy L3 w sprzedaży i testy L4 w USA i Chinach.

Na rynku widzimy komercyjne usługi w ograniczonych strefach, np. robo-taxi Waymo w Phoenix (2019). Prognozy rynku mówią o wzroście wartości powyżej 50 mld USD i szybkim tempie ekspansji.

W Polsce trwają prace badawcze i testy: inicjatywy akademickie i branżowe, testy tramwaju w Krakowie oraz plany autobusów w Rzeszowie. To elementy przygotowujące ekosystem do przyszłych wdrożeń.

Kluczowe wnioski

• Systemy łączą wiele sensorów i AI, co zmienia definicję bezpieczeństwa.
• Skala danych i obliczeń jest jednym z głównych wyzwań technologicznych.
• Komercjalizacja postępuje etapami — od wsparcia kierowcy do usług lokalnych bez kierowcy.
• Rynek globalny rośnie szybko; prognozy wskazują silny wzrost do 2032 r.
• W Polsce rozwój to współpraca nauki, przemysłu i testów terenowych.

Czytaj także: Poznaj historię silnika spalinowego – serce motoryzacji

Trend i pytanie przewodnie: dokąd zmierzają autonomiczne pojazdy w 2025?

W nadchodzącym roku obserwujemy przyspieszenie spadku kosztów sensorów i rosnącą dojrzałość algorytmów. To napędza szybszy rozwój ofert testowych i pilotów na ulicach większych miast.

Warto spojrzeć na liczby:

• Goldman Sachs prognozuje, że do 2030 r. systemy L3 mogą stanowić ~10% sprzedaży nowych aut, a L4 ok. 2,5%.
• Zion Market Research szacuje wartość rynku AV w 2023 r. powyżej 50 mld USD i pięciokrotny wzrost do 2032 r. (~20% CAGR).

Te prognozy wpływają na decyzje inwestorów i strategię producentów. Zmiany w mobilności współdzielonej oraz rozwój usług wpływają na popyt i potencjalną redukcję wypadków oraz płynność ruchu.

Kluczowe ryzyka to regulacje, braki w infrastrukturze i zasobach ludzkich. W najbliższych 12–24 miesiącach mierniki postępu będą obejmować liczbę miast z usługami testowymi, licencje i wskaźniki bezpieczeństwa.

Jak działają pojazdy autonomiczne: czujniki, sztuczna inteligencja i przetwarzanie danych

Zmysły platformy to kamery, radary, lidary i GPS — to one dostarczają surowe informacje o otoczeniu.

Redundancja sensorów jest konieczna. Połączenie kilku źródeł zmniejsza ryzyko błędnej percepcji. Dzięki temu detekcja pieszych, znaków i innych uczestników ruchu jest bardziej odporna na zakłócenia.

Sztuczna inteligencja przetwarza obraz i sygnały radarowe, identyfikuje obiekty i przewiduje trajektorie. Sieci neuronowe odpowiadają za rozpoznawanie scen, a reguły inżynierskie wykonują bezpieczne manewry.

Pipeline działania łączy pozyskanie danych, fuzję sensorów, lokalizację względem map HD, predykcję i planowanie ruchu. To złożony ciąg, który wymaga niskich opóźnień i ogromnej mocy obliczeniowej.

Według Intela pełny system generuje ok. 4–6 TB danych dziennie. Przetwarzanie tej ilości na krawędzi, opóźnienia rzędu milisekund i chłodzenie serii procesorów to realne wyzwania projektowe.

Walidacja danych i testy na corner cases są warunkiem certyfikacji. Aktualizacje OTA i monitoring floty utrzymują modele w dobrej kondycji, a cyberbezpieczeństwo chroni kanały komunikacji i sensory.

Poziomy autonomii SAE od 0 do 5 – co naprawdę oznaczają L1, L2, L3, L4, L5

SAE definiuje sześć poziomów automatyzacji. Każdy poziom zmienia zakres odpowiedzialności między systemem a człowiekiem.

1. Poziom 0: brak automatyzacji — kierowca kontroluje wszystkie zadania.
2. L1: wsparcie jednego elementu (np. adaptacyjny tempomat). Kierowca utrzymuje kontrolę.
3. L2: jednoczesna kontrola prędkości i kierunku; wymagana stała uwaga. Nadmierne zaufanie zwiększa ryzyko wypadków.
4. L3: uwarunkowana automatyzacja — system przejmuje kontrolę w określonych sytuacjach, ale kierowca musi być gotów przejąć.
5. L4: wysoka automatyzacja w wyznaczonych obszarach (geo‑fence); system może działać bez udziału kierowcy w dopuszczonych warunkach.
6. L5: pełni autonomiczny — działanie w każdych warunkach, bez sterów czy pedałów.

L2, L3 i L4 w praktyce

L2 bywa mylony z autonomią, co prowadzi do rozproszenia kierowców i błędnych oczekiwań. Producenci podkreślają konieczność nadzoru.

L3 to dziś najwyżej komercjalizowany poziom. Funkcje L3 przejmują kontrolę na autostradzie lub w ruchu korkowym, ale wymagają gotowości do interwencji w krytycznych sytuacjach.

L4 działa w zasięgu mapowanego obszaru i stosuje ograniczenia pogodowe. Homologacja i metryki bezpieczeństwa koncentrują się na przełączaniu obowiązków i tzw. „minimal risk condition”.

Poziomy wpływają na ubezpieczenia, odpowiedzialność i regulacje. Komercjalizacja przebiega etapami, zgodnie z walidacją systemów i wymaganiami bezpieczeństwa.

Mapa świata: gdzie już jeżdżą pojazdy L4/L5 i w jakich warunkach

Testy L4/L5 prowadzone są intensywnie w kilku krajach. Największe klastry znajdują się w USA, Chinach, Singapurze i Niemczech.

USA, Chiny, Singapur, Niemcy — strefy testowe i ograniczenia

Operatorzy wybierają geo-fence, ograniczenia prędkości i pory dnia. Warunki pogodowe i typ dróg decydują o zakresie operacji.

Waymo uruchomiło robo-taxi w Phoenix w 2019 roku na ograniczonym obszarze. Robotaksówki działają również w San Francisco, Las Vegas, Wuhan i Pekinie.

Robo-taxi w praktyce: doświadczenia z miast

W Phoenix obsługa koncentruje się na przewidywalnych trasach i standardach bezpieczeństwa. W San Francisco testy obejmują trudniejsze scenariusze miejskie.

Wnioski: operatorzy zaczynają od pasów o niższym natężeniu ruchu i tras szkieletowych. Incydenty prowadzą do procedur przywracania i aktualizacji AV.

Liderzy i ekosystem technologii: Waymo, Toyota, Bosch oraz segmenty B2B

Kilkoro głównych graczy kształtuje dziś krajobraz rozwoju. Waymo rozwija usługę robotaxi i rozwija centra operacyjne dla floty.

Toyota i Bosch inwestują w IP i współpracują z Daimlerem, by kontrolować kluczowe komponenty. To daje im przewagę w łańcuchu wartości technologii.

Gdzie autonomia rośnie najszybciej? Najszybsze wdrożenia obserwujemy w sektorze B2B: rolnictwie, górnictwie i magazynach. Przykłady to John Deere w maszynach rolniczych, Kodiak Robotics i SafeAI w górnictwie oraz automatyzacja hal magazynowych.

Wsparcie technologiczne obejmuje symulacje, HD mapy, zdalne operacje i integrację z systemami flotowymi. Finansowanie venture i kontrakty B2B równoważą tempo komercjalizacji konsumenckiej.

Polska na drodze do autonomii: projekty, badania i testy

AV-PL-ROAD to krajowa platforma łącząca Ministerstwo, Politechnikę Warszawską i ITS. Program wspiera wdrażanie zautomatyzowanych i autonomicznych rozwiązań, koordynuje testy i standardy dla pojazdów.

CK:PAP prowadzi ewaluację technologii i monitoruje postępy badań. Łukasiewicz‑PIMOT rozwija modele AI i testuje systemy na realnych próbach, łącząc pracę laboratoryjną z próbami drogowymi.

Realne pilotaże w miastach

NEWAG przeprowadził testy autonomicznego tramwaju w Krakowie. Trwają przygotowania do pilotażu autobusu w Rzeszowie. W GZM testuje się drony dla logistyki miejskiej.

Partnerstwa i wydarzenia branżowe

PSNM i SDCM podpisały porozumienie o współpracy, by przyspieszyć transfer wiedzy do firm. Na KNM 2025 (23–25 września, Katowice) zaplanowano sesje o certyfikacji, korytarzach testowych i modelach pracy dla operatorów.

Wyzwania to infrastruktura drogowa, dostęp do danych i ramy regulacyjne. Jednocześnie rośnie potencjał lokalnych firm i startupów do współpracy z globalnymi partnerami.

Ekonomia trendu: rynek autonomicznych pojazdów i prognozy do 2035-2040

Prognozy rynkowe sygnalizują pięciokrotny wzrost wartości w ciągu najbliższej dekady.

Zion Market Research szacuje wartość rynku powyżej 50 mld USD w 2023 roku i ~20% CAGR do 2032 roku. To napędza inwestycje w software, mapy HD i centra operacyjne.

Goldman Sachs prognozuje, że do 2030 roku L3 osiągnie ~10% sprzedaży, a L4 ~2,5%.

Spadek cen sensorów i mocy obliczeniowej — od konfiguracji L2+ z ~8 kamer do L4 z nawet 29 sensorami — obniża bariery wejścia. To poprawia unit economics robotaxi i skraca okres zwrotu inwestycji.

Wrażliwość modeli zależy od ceny energii, ubezpieczeń i stawki za przejazd. Polityka publiczna i subsydia mogą znacząco przyspieszyć rozwój i adopcję pojazdów autonomicznych.

Autonomiczne pojazdy – czy samochody będą prowadzić się same?

Dziś systemy poziomu L4 działają jedynie w wyznaczonych strefach testowych, a L3 trafia do wybranych modeli konsumenckich.

Krótka synteza: w praktyce pojazdy prowadzą się samodzielnie tylko w określonych warunkach. To efekt ograniczeń środowiskowych, mapowania i certyfikacji.

Możliwości technologii dziś obejmują automatyczne prowadzenie w korku, pilotaż na autostradzie i robotaxi w strefach Waymo (Phoenix i inne miasta).

Przejście do skali wymaga spełnienia metryk bezpieczeństwa: spadek incydentów, deterministyczne zachowanie w corner cases oraz zaufanie operatorów floty.

• Wpływ na oczekiwania użytkowników: mniej stresu z jazdy, ale rośnie potrzeba edukacji.
• Firmy i miasta zyskują: optymalizacja transportu, nowe usługi mobilności i dane o ruchu.
• Kompromis: szybkie wdrożenie vs. rygor certyfikacji — bezpieczeństwo decyduje.

W Polsce tempo zależy od współpracy publiczno‑prywatnej, standardów i inwestycji w infrastrukturę. Otwarty ekosystem i przejrzystość danych przyspieszą wdrożenia.

Bezpieczeństwo i ruch drogowy: potencjał redukcji wypadków i płynność jazdy

Eliminacja błędów ludzkich może zmniejszyć liczbę kolizji nawet o znaczący procent — dane wskazują, że około 90% wypadków drogowych ma źródło w zachowaniach kierowców.

AI nie męczy się i nie okazuje agresji. Prof. Marcin Ślęzak (ITS) podkreśla, że to kluczowy atut w poprawie bezpieczeństwa. Synchronizacja pojazd-pojazd może też zwiększyć przepustowość skrzyżowań — badania Capgemini Polska pokazują realne zyski w płynności ruchu.

Jak to działa w praktyce?

• Wymiana danych V2V/V2I pozwala na jednolite ruszanie i utrzymanie odstępów.
• Systemy oceniają ryzyko w milisekundach i wykonują bezpieczne manewry.
• Ograniczenia pozostają: pogoda, awarie sensorów i nieprzewidywalne zachowania użytkowników.

„AI nie męczy się i nie okazuje agresji”

— Prof. Marcin Ślęzak, ITS

Mierniki sukcesu to opóźnienia, liczba wypadków, czasy przejazdu i akceptacja użytkowników. Edukacja i standardy komunikacji oraz cyberbezpieczeństwo będą decydować o integralności wymiany danych i realnych korzyściach dla pieszych i kierowców.

Koszty, bariery i odpowiedzialność: od CAPEX po ubezpieczenia

Koszty wdrożeń infrastruktury V2I na poziomie krajowym osiągają miliardowe wartości i zmieniają model finansowania transportu.

Struktura wydatków obejmuje hardware (sensory, komputery), oprogramowanie, mapy HD, łączność, serwis i polisy ubezpieczeniowe.

Produkcja zaawansowanego pojazdu sięga kilkuset tys. USD, a koszt instalacji V2I na drogach w Polsce liczy się w miliardach zł.

Drogie czujniki i inwestycje

Spadek cen sensorów i komputerów obniża TCO, lecz CAPEX nadal jest wysoki z powodu map, integracji i utrzymania floty.

Odpowiedzialność i ubezpieczenia

Matryca odpowiedzialności rozdziela ryzyko między producenta systemów, operatora floty i kierowców. Ramy prawne, w tym zmiany w Konwencji Wiedeńskiej, są konieczne.

• Modele finansowania: PPP, opłaty, abonamenty i dotacje.
• Wymagania aktuarialne: dostęp do EDR i danych zdarzeniowych.
• Audyty i certyfikacje mogą obniżyć koszty polis.

W praktyce, luki prawne i brak standardów powodują, że inwestorzy oczekują wyższych stawek ubezpieczeniowych. To wpływa na rynek i decyzje o wdrożeniach — czasu nie ma na odkładanie zmian.

Prawo i regulacje: stan na dziś w Polsce i Unii oraz wąskie gardła

Polskie ramy prawne nie nadążają za tempem rozwoju technologii, co utrudnia prowadzenie prób na publicznych drogach.

Brakuje kompleksowych przepisów dla testów i eksploatacji. Prezes SDCM i prof. Paweł Skruch wskazywali na bariery administracyjne. McKinsey ocenia, że około 60% ekspertów uznaje regulacje za kluczowe wąskie gardło.

Co wymaga nowelizacji? Konieczne są zmiany w ustawach krajowych, aktach UE i adaptacja Konwencji Wiedeńskiej. Trzeba też precyzyjnie określić obowiązki informacyjne i zakres odpowiedzialności stron uczestniczących w testach.

Brak dostępu do danych z pojazdów utrudnia rozliczanie roszczeń po wypadków. Operacyjnie problemem są też brak ram dla zewnętrznych kierowców testowych i zdalnych operatorów.

Horyzont: prace legislacyjne potrwają w tym roku i kolejnych 12 miesięcy. Pilne są ujednolicone standardy raportowania i dostęp do danych, by umożliwić rozwój bez ryzyka dla stron.

Infrastruktura i łączność: V2V, V2I, mapy HD a wdrożenia w miastach

Miasta potrzebują warstwy cyfrowej — RSU, węzłów brzegowych i niezawodnej łączności — zanim rozpoczną się większe pilotaże.

Wymagania dla dróg, sygnalizacji i sieci

Minimalne elementy to oznakowanie kompatybilne z mapami HD, sygnalizacja z interfejsem V2I oraz łączność niskoopóźnieniowa. W Polsce modernizacja dróg i inwestycje V2I liczone są w miliardach zł.

Architektura miejskiej sieci obejmuje węzły brzegowe, RSU przy skrzyżowaniach i centra zarządzania ruchem. Takie systemy umożliwiają synchronizację ruchu i aktualizacje OTA.

• Priorytet: korytarze pilotażowe, kluczowe skrzyżowania, szkieletowa sieć 5G/ edge.
• Integracja czujników w infrastrukturze poprawia bezpieczeństwo i płynność ruchu.
• Dane z pojazdów utrzymują mapy HD i sterują sygnalizacją w czasie rzeczywistym.

Standardy interoperacyjności i cyberbezpieczeństwa muszą iść w parze z finansowaniem. Roadmapa prowadzi od korytarzy testowych do pełnego pokrycia w gęsto zaludnionych miastach.

Rynek pracy i kompetencje: kierowcy, operatorzy systemów i nowe role

Transformacja pracy w transporcie przesuwa akcent z prowadzenia do nadzoru i analizy danych. W Polsce brakuje około 200 tys. kierowców zawodowych (ITS, ZMPD). To tworzy presję na szybkie wdrożenia technologiczne i zmiany personalne.

Automatyzacja zmienia popyt na pracę w taksówkach, transporcie ciężarowym i usługach LaaS. Operatorzy floty, analitycy danych oraz specjaliści ds. bezpieczeństwa stają się kluczowi.

Programy przekwalifikowania pomagają kierowcy przejść do ról o wyższej wartości. Kursy obejmują obsługę systemów, analizę telemetrii i komunikację z klientem.

• Efekt na rynku: niski deficyt osób może zostać złagodzony przez automatyzację i nowe modele zatrudnienia.
• Kompetencje: cyberbezpieczeństwo, praca z danymi, nadzór operacyjny.
• Ergonomia: z roli stałego prowadzenia do nadzoru i interwencji przy krytycznych zdarzeniach.

Do 2030 r. scenariusze zakładają wzrost zatrudnienia w usługach zarządzania flotą, przy jednoczesnym spadku popytu na klasyczne etaty jazdy. Związki zawodowe i polityki publiczne muszą wspierać programy szkoleniowe i standardy certyfikacji.

Ekologia i energia: autonomiczne pojazdy, takie jak EV, a emisje i zużycie

Optymalizacja tras i płynność ruchu mają realny wpływ na redukcję emisji i zużycie energii.

• Płynniejszy ruch ogranicza przyspieszanie i hamowanie, co zmniejsza straty energii.
• Optymalizacja tras skraca dystans i czas postoju, a to obniża emisje z pojazdów.
• Integracja z flotami EV w miastach może być katalizatorem zeroemisyjnego transportu.

Zużycie energii przez systemy pokładowe

Komputery i sensory pobierają energię, lecz ta strata może być zrekompensowana lepszą efektywnością jazdy.

Eco-routing i zautomatyzowane zarządzanie ładowaniem minimalizują koszty i wpływ na sieć.

Korzyści, ograniczenia i pierwsze sektory

Najwcześniejsze oszczędności mogą być widoczne w dostawach ostatniej mili oraz robotaksówkach i pojazdów flotowych.

Poprawa jakości powietrza pomaga osobom wrażliwym, takim jak seniorzy i dzieci.

Podsumowanie: współdziałanie elektroniki, planowania i elektryfikacji może być istotnym czynnikiem obniżenia emisji i poprawy efektywności miejskiego ruchu.

Horyzonty czasowe i scenariusze: miasta, drogi i kolei do 2030-2040

Scenariusze wdrożeń na najbliższe dekady pokazują trzy wyraźne etapy: do 2030, 2035 i 2040 roku.

W pierwszym scenariuszu (do 2030) większość implementacji koncentruje się w miastach i korytarzach o dużym natężeniu. Robotaxi mogą przekroczyć 25 mld USD, a koszt przejazdu spadnie poniżej 1 USD/mi.

Do 2035 nastąpi konsolidacja usług, większa integracja z kolei i transportem publicznym oraz modernizacja dróg i korytarzy logistycznych. Skala floty obniży koszty jednostkowe.

W wariancie do 2040 Goldman Sachs zakłada udziały L3+: Chiny 90%, Europa 80%, USA 65%. Koszt za milę może spaść do ~0,58 USD.

• Opłacalność: usługi bez kierowcy będą pełni rentowne w sytuacjach o dużym popycie i stałych trasach.
• Polityka: subsydia, standardy bezpieczeństwa i dostęp do danych przyspieszą rozwój technologii.
• Ryzyka: łańcuch dostaw, regulacje i akceptacja społeczna mogą opóźnić wdrożenia.

Wizja długoterminowa to hybrydowy ekosystem, gdzie pojazdy współpracują z koleją i transportem publicznym. Kluczowe kamienie milowe to certyfikacja, audyty bezpieczeństwa i mapy kompetencji oraz inwestycje w infrastrukturę.

Wniosek

Działanie systemów L3 jest już komercyjne, a L4 rozwijane i testowane globalnie. To zmienia wpływ technologii na bezpieczeństwo i efektywność transportu. Raporty Zion i Goldman Sachs potwierdzają szybki wzrost rynku.

W Polsce trwają intensywne prace B+R i pilotaże. To otwiera nowe możliwości dla miast i firm. Rola kierowcy będzie ewoluować — więcej nadzoru i obsługi systemów niż stałego prowadzenia.

Priorytety to jasne standardy danych, aktualizacja prawa i inwestycje w infrastrukturę. Działania publiczno‑prywatne i sandboxy regulacyjne skrócą czas potrzebny do pełni dojrzałości usług.

Oceniamy, że korzyści dla pojazdów i użytkowników są znaczące, lecz wymagana jest skoordynowana strategia. To szansa na bezpieczniejszą, bardziej dostępną przyszłość.