Idén om helt självkörande bilar är inte direkt färsk, men trots enorma investeringar och snabba framsteg har det stora genombrottet låtit vänta på sig.
En förklaring är att det visat sig vara betydligt svårare än väntat att lära bilen att förstå sin omgivning.
– Jag fick den frågan för 15 år sedan och sade då att vi skulle ha självkörande bilar på plats om 10 år. Det har vi fortfarande inte, trots att tekniken i dag i stort sett faktiskt är på plats, säger Cristofer Englund, akademichef för informationsteknologi vid Högskolan i Halmstad, till EFN Vetenskap.
Människans försprång bakom ratten
Problemet är att bilkörning kräver mer än att se vägskyltar, fotgängare och andra fordon. En människa tar med sig ett helt liv av erfarenheter in bakom ratten.
– En människa som tar körkort vid 18 års ålder har inte bara övningskört i ett år. Hon har cyklat, sprungit och ramlat. Hon vet hur ont det gör att slå sig. Hon har 18 års samlad erfarenhet av en fysisk verklighet som hon tar med sig bakom ratten utan att tänka på det, säger Englund.
För att försöka ersätta den förmågan har bilindustrin framför allt satsat på tre tekniker: kameror, radar och lidar. Kameror är bra på att tolka sammanhang, medan lidar med hjälp av laser kan skapa en tredimensionell bild av omgivningen. Radar kan i sin tur mäta avstånd och hastighet och fungerar bra även i mörker och dåligt väder.
Men alla har samtidigt sina svagheter.
De flesta tillverkare kombinerar därför teknikerna. Det stora undantaget är Tesla, som valt att förlita sig på kameror och djupinlärning – ett vägval som Elon Musk länge försvarat.
Martin Törngren, professor i inbyggda styrsystem vid KTH, är skeptisk.
– Vetenskapen är ganska tydlig. I dag räcker det inte med enbart kameror – det behövs en kombination. De har olika styrkor och är robusta på olika sätt.
Teslas fördel – och stora problem
Samtidigt har Tesla en fördel när det gäller att skala upp tekniken. Kamerasystemet kan tränas på kördata från den stora fordonsflottan och förbättras genom mjukvaruuppdateringar. Det öppnar också för en affärsmodell där nya funktioner kan säljas till bilar som redan rullar på vägarna.
Men ju mer systemen lär sig själva, desto svårare blir de också att kontrollera och verifiera.
– Det går att visa fantastiska framgångar med tränade system. Men transparensen blir ett problem. Hur förstår man vad som händer inuti? Och om man tränar med nya data hela tiden – hur gör man verifieringen då? poängterar Jonas Mårtensson, professor i reglerteknik vid KTH.
Och trots framstegen återstår det stora steget mot verkligt självkörande bilar. Enligt Törngren kan det krävas ännu ett genombrott inom AI för att systemen på riktigt ska kunna förstå den komplexa omgivningen.
LÄS MER: Vägen mot bilen som kör sig själv
