Un’auto a guida autonoma deve affrontare un problema prima di tutti gli altri: deve vedere — e non semplicemente vedere, ma comprendere. Deve sapere che la forma davanti a sé è un bambino, non un’ombra; che la linea sulla strada è un bordo della corsia; che l’auto accanto sta avvicinandosi. Questo è il compito della visione artificialevisione artificiale
Punti chiave
- Visione artificiale che permette a un’auto a guida autonoma di trasformare le immagini delle telecamere in una comprensione della strada.
- La pipeline di percezione gestisce il rilevamento di oggetti, il rilevamento delle corsie, la stima della profondità e il tracciamento.
- Fusione sensoriale combina telecamere con radar e (spesso) lidar per garantire affidabilità.
- Viene eseguita in tempo reale — ogni decisione viene presa in una frazione di secondo.
- Restano casi difficili — condizioni meteorologiche avverse, situazioni insolite ed eventi rari rappresentano tuttora una sfida.
Cosa fa la visione artificiale per un’auto
La visione artificiale è il campo dell’intelligenza artificiale che consente alle macchine di estrarre significato da immagini e video. Per un veicolo autonomo, le telecamere sono gli occhi — ma le immagini grezze provenienti dalle telecamere sono semplicemente pixel. È la visione artificiale a trasformare quei pixel in informazioni su cui l’auto può agire:
- Quali oggetti mi circondano e dove si trovano?
- Dov’è la mia corsia?
- A quale distanza si trova quell’auto e si sta avvicinando a me?
- Cosa indica quel semaforo o quel segnale stradale?
Questo intero processo — trasformare i dati provenienti dai sensori in una comprensione dell’ambiente — è chiamato percezione. Si tratta della prima e più critica fase della guida autonoma. Tutto ciò che segue (pianificazione del percorso, sterzata, frenata) dipende dal fatto che la percezione sia corretta.
La pipeline di percezione
Il sistema visivo di un’auto a guida autonoma esegue diversi compiti contemporaneamente, molte volte al secondo. I principali sono:
Rilevamento di oggetti
L’auto deve individuare e identificare tutti gli elementi rilevanti: altri veicoli, pedoni, ciclisti, animali, detriti, coni. Utilizzando modelli di rilevamento di oggetti , disegna un rettangolo etichettato intorno a ciascun oggetto — cosa cos’è e dove si trova. In modo fondamentale, deve farlo simultaneamente per molti oggetti e istantaneamente.
Classificazione e tracciamento degli oggetti
Il semplice rilevamento non è sufficiente. L’auto deve classificare gli oggetti con precisione — un pedone si comporta in modo molto diverso rispetto a un’auto parcheggiata — e tracciarli nel tempo attraverso i vari fotogrammi. Il tracciamento permette all’auto di riconoscere che il ciclista visto un secondo fa è lo stesso ciclista che vede ora, e di prevederne la posizione successiva.
Rilevamento di corsie e strada
L’auto deve sapere dove può guidare. I sistemi di visione rilevano le linee di demarcazione delle corsie, i bordi stradali e la superficie percorribile — anche quando le linee sono sbiadite, consumate o parzialmente assenti — per mantenere il veicolo correttamente posizionato.
Riconoscimento di segnali e semafori
Il sistema legge e interpreta semafori, stop, limiti di velocità e altri segnali stradali, affinché l’auto rispetti le regole della strada.
Stima della profondità
Un’immagine bidimensionale proveniente da una telecamera non contiene informazioni intrinseche sulla distanza, eppure la distanza è fondamentale per una guida sicura. I sistemi di visione stimano la profondità — ossia a quale distanza si trova ciascun oggetto — informazione essenziale per valutare gli spazi, calcolare i tempi di frenata ed evitare collisioni.
Perché le telecamere non bastano: la fusione sensoriale
Le telecamere sono potenti, economiche e ricche di dettagli: sono l’unico sensore in grado di leggere segnali stradali e semafori. Tuttavia presentano dei punti deboli: funzionano male al buio, in presenza di abbagliamento, nebbia o pioggia intensa, e la stima della distanza esatta tramite telecamera è imperfetta.
La maggior parte dei sistemi di guida autonoma, quindi, non si basa esclusivamente sulla visione. Essi combinano più sensori, ciascuno dei quali compensa i punti ciechi degli altri:
| Sensore | Forza | Punto debole |
|---|---|---|
| Telecamere | Alto dettaglio, colore, lettura di segnali/semaphore | Prestazioni scadenti in condizioni di scarsa illuminazione e cattivo tempo |
| Radar | Funziona in qualsiasi condizione meteorologica, misura bene la velocità | Basso dettaglio, forma approssimativa |
| Lidar | Distanza e forma 3D precise | Costoso; prestazioni ridotte in condizioni meteorologiche estreme |
Unire questi flussi di dati in un’unica rappresentazione coerente è chiamato fusione sensoriale. Confrontando i dati forniti da ciascun sensore, l’auto costruisce un modello dell’ambiente circostante molto più affidabile di quanto potrebbe fare un singolo sensore. (Gli approcci variano: alcune aziende puntano fortemente sulle telecamere, altre insistono sull’uso del lidar; tuttavia il principio di combinare più fonti è ampiamente condiviso.)
Tutto avviene in tempo reale
Il vincolo fondamentale della visione per la guida autonoma è velocitàil tempo reale. Un’auto che viaggia a velocità autostradale percorre metri ogni frazione di secondo. L’intera catena di elaborazione — acquisizione delle immagini, rilevamento e classificazione degli oggetti, stima della profondità, fusione sensoriale, costruzione della rappresentazione ambientale — deve completarsi molte volte al secondo, in modo continuo e senza interruzioni.
Questo è il motivo per cui i veicoli autonomi sono dotati di potenti computer di bordo e perché i modelli di intelligenza artificiale sono progettati per essere sia precisi e che veloci. Una risposta arrivata troppo tardi è altrettanto inutile di una risposta errata.
Le sfide ancora aperte
La visione artificiale applicata alla guida ha registrato miglioramenti enormi, ma alcuni problemi difficili rendono ancora ardua l’autonomia completa:
- Cattivo tempo — pioggia intensa, neve, nebbia e abbagliamento degradano le prestazioni delle telecamere e confondono i sistemi di percezione.
- Casi limite (edge cases) — situazioni rare e insolite: ostacoli inusuali, configurazioni stradali anomale, detriti, persone in posizioni impreviste. Un sistema può eccellere nei casi comuni e tuttavia essere colto impreparato da quelli eccezionali.
- Predizione — rilevare un pedone è una cosa; prevedere correttamente se entrerà o meno nella carreggiata è molto più difficile.
- Livello di affidabilità richiesto — la guida richiede un livello di affidabilità straordinariamente elevato. Funzionare bene "quasi sempre" non è sufficiente quando i malfunzionamenti possono avere conseguenze pericolose.
Queste sfide spiegano perché i progressi sono costanti piuttosto che improvvisi e perché, nella maggior parte dei sistemi, il controllo umano rimane ancora essenziale.
Le reti neurali responsabili della visione
Ogni fase della catena di percezione — rilevare un ciclista, leggere un segnale, stimare la profondità — è l’output di una rete neurale profonda. Comprendere quali tipi di reti svolgono queste funzioni chiarisce sia perché la visione artificiale moderna per la guida autonoma è così capace, sia dove ancora fallisce.
Per anni il modello di riferimento è stata la rete neurale convoluzionale (CNN). Le CNN applicano filtri appresi scorrendo sull’immagine per individuare prima i contorni, poi le forme e infine gli oggetti completi, strato dopo strato. Sono veloci ed eccellenti nel riconoscimento cosa si trova in un singolo fotogramma, motivo per cui la maggior parte delle fasi di rilevamento e classificazione degli oggetti è ancora basata su di esso.
Il cambiamento più significativo è stato verso i transformer per la visione e una rappresentazione chiamata visione dall’alto (bird’s-eye view, BEV). Invece di ragionare fotogramma per fotogramma, i modelli transformer utilizzano un meccanismo di autoattenzione per valutare le relazioni su tutta la scena e nel tempo: così, un pedone intravisto e poi brevemente nascosto dietro un furgone continua comunque a essere tracciato. I sistemi BEV elaborano i flussi provenienti da ogni telecamera e li fondono in una singola mappa top-down dello spazio circostante il veicolo, ovvero la prospettiva effettivamente necessaria al sistema di pianificazione per eseguire una svolta o un inserimento in carreggiata. Nella pratica, gli stack più performanti sono ibridi: una CNN estrae caratteristiche da ciascuna telecamera, mentre un transformer integra tali caratteristiche in un’unica rappresentazione 3D coerente e consapevole del tempo.
Due scelte progettuali distinguono i principali attori del settore:
- Modulare rispetto end-to-end. Gli stack tradizionali concatenano moduli discreti, addestrati separatamente (rilevamento, quindi tracciamento, quindi previsione, quindi pianificazione). Tesla ha invece orientato il proprio software Full Self-Driving verso una rete end-to-end — talvolta descritta come «fotoni in ingresso, comandi in uscita» — in cui un singolo sistema addestrato mappa direttamente i pixel delle telecamere verso output quali sterzo e comando dell’acceleratore/freno, con meno passaggi intermedi codificati manualmente.
- Occupancy anziché bounding box. Invece di disegnare soltanto bounding box attorno a categorie riconosciute, i sistemi più recenti prevedono una griglia di occupancy : quali volumi dello spazio circostante sono semplicemente occupati, indipendentemente dal fatto che l’oggetto abbia o meno un’etichetta specifica. Ciò è cruciale per la cosiddetta «coda lunga»: una scala caduta o un rimorchio rovesciato, mai o raramente visti durante l’addestramento, vengono comunque interpretati come «spazio non percorribile».
Il filo conduttore è che nessuno di questi elementi è programmato mediante regole. Queste reti sono apprese dai dati — milioni di esempi di guida etichettati e auto-supervisionati — il che ne costituisce anche il limite massimo: funzionano bene nelle situazioni coperte dall’addestramento, mentre scenari rari, anomali o deliberatamente ingannevoli restano particolarmente difficili.
Domande frequenti
Come vedono le auto a guida autonoma?
Le auto a guida autonoma vedono grazie a telecamere, integrate con altri sensori come radar e lidar. Il software di visione artificiale trasforma le immagini delle telecamere in una comprensione dell’ambiente — identificando oggetti, corsie, segnali e distanze — in un processo chiamato percezione.
Che cos’è la visione artificiale nei veicoli autonomi?
La visione artificiale è la tecnologia di intelligenza artificiale che consente a un’auto a guida autonoma di estrarre significato dalle immagini delle telecamere. Esegue rilevamento e classificazione di oggetti, tracciamento, rilevamento delle corsie, riconoscimento dei segnali stradali e stima della profondità — trasformando pixel grezzi nella consapevolezza necessaria all’auto per guidare in sicurezza.
Le auto a guida autonoma usano solo telecamere?
La maggior parte le utilizza insieme ad altri sensori — radar e spesso anche lidar — attraverso un processo chiamato fusione sensoriale. Le telecamere forniscono dettagli ricchi e leggono segnali e semafori; radar e lidar aggiungono misurazioni affidabili della distanza e funzionano meglio in condizioni avverse. La loro combinazione è più robusta rispetto all’uso esclusivo delle telecamere.
Che cos’è la fusione sensoriale?
La fusione sensoriale è il processo di integrazione dei dati provenienti da più sensori — telecamere, radar, lidar — in una singola rappresentazione coerente dell’ambiente circostante del veicolo. Poiché ogni sensore possiede punti di forza e di debolezza differenti, la loro fusione produce una rappresentazione più affidabile di quella ottenibile da un singolo sensore.
Perché le auto a guida autonoma non sono ancora ovunque?
La visione artificiale gestisce bene le situazioni di guida comuni, ma i rari "casi limite", il cattivo tempo e la previsione accurata del comportamento umano restano estremamente difficili — e la guida richiede un’affidabilità eccezionalmente elevata. Colmare il divario tra "funziona quasi sempre" e "sicuro abbastanza da potervi fare pienamente affidamento" è la sfida principale ancora irrisolta.
Come impara l’intelligenza artificiale di un’auto a guida autonoma a riconoscere ciò che vede?
I modelli di percezione vengono addestrati, non codificati manualmente. Gli ingegneri forniscono a reti neurali profonde enormi quantità di filmati di guida — gran parte dei quali etichettati per identificare auto, pedoni, corsie e segnali stradali, e sempre più spesso auto-supervisionati, in modo che il sistema apprenda la struttura direttamente dal video grezzo. Attraverso numerosi cicli di addestramento, la rete aggiusta i propri pesi interni finché le sue previsioni non corrispondono alla realtà. È per questo che la copertura di rari «casi limite» (edge case) è così importante: un modello è affidabile solo nelle situazioni rappresentate dai dati utilizzati per il suo addestramento.
La computer vision funziona ancora sotto la pioggia, nella nebbia o nella neve?
Le prestazioni peggiorano, ed è una limitazione reale, non un problema risolto. Le telecamere possono essere accecate da riflessi, pioggia intensa, nebbia fitta o da un obiettivo ricoperto di neve; inoltre, un sistema basato esclusivamente sulla visione non dispone di alcun segnale indipendente cui fare affidamento quando ciò accade. Questo è uno degli argomenti centrali a favore della fusione sensoriale: il radar, infatti, penetra nebbia e pioggia che rendono inefficace la telecamera, pertanto gli stack che combinano telecamere con radar e lidar mantengono maggiore robustezza anche in condizioni meteorologiche avverse. La maggior parte dei sistemi riduce la velocità, restituisce il controllo al conducente o addirittura rifiuta di operare nelle condizioni più estreme.
È possibile ingannare le telecamere di un’auto a guida autonoma?
Sì, motivo per cui sono fondamentali ridondanza e validazione. Poiché la percezione si basa su reti neurali apprese, input insoliti possono trarle in inganno — ad esempio forti riflessi, oggetti insoliti mai o raramente incontrati durante l’addestramento, segnaletica orizzontale sbiadita o contraddittoria, oppure, in contesti di ricerca di laboratorio, adesivi «avversariali» appositamente progettati. I sistemi produttivi contrastano questo rischio fondendo dati provenienti da più sensori e telecamere, in modo che nessun singolo input fuorviante possa determinare una decisione, e trattando qualsiasi spazio occupato non spiegabile come un elemento da evitare, piuttosto che da ignorare.
Conclusione
La visione artificiale è il senso che rende possibile la guida autonoma. Attraverso una catena di elaborazione in tempo reale — rilevamento di oggetti, classificazione, tracciamento, rilevamento di corsie e segnali, stima della profondità — essa converte flussi di pixel provenienti dalle telecamere in una comprensione della strada. La fusione sensoriale con radar e lidar rende tale comprensione sufficientemente robusta da poter agire su di essa.
La tecnologia è davvero impressionante ed è proprio questo il motivo per cui i veicoli autonomi funzionano così bene oggi. Il divario residuo è la parte più difficile: gli eventi rari, il cattivo tempo e l'affidabilità quasi perfetta richiesta da una guida sicura. Questo è il fronte su cui la ricerca sta ancora lavorando.
