Dobrý den, děkujeme, že jste si na nás udělali čas. Mohli byste se, prosím, našim čtenářům představit?

Jan Soukup

Jmenuji se Jan Soukup a ve společnosti Digiteq Automotive jsem již pátým rokem zaměstnaný na pozici manažera oddělení softwarových testů, což je v oblasti automobilového průmyslu velmi specifická disciplína. Postupně toto oddělení rozšiřovalo svou působnost a nyní jsem zodpovědný za projekty a dodávky v oblasti strojového vidění, což zahrnuje monitorování jak interiéru kabiny, tak i dění mimo vozidlo. V automobilovém průmyslu působím více než deset let. Předtím jsem pracoval ve firmě VALEO, kde jsem se podílel na vývoji lidaru a ultrazvukových technologií. Automobilový průmysl mě baví, protože výsledky naší práce lze následně vidět v reálném světě. Dříve jsem také pracoval v bankovním sektoru, ale nebyl jsem příliš spokojený s tím, že výstupem byla pouze tabulka v Excelu. V automobilovém průmyslu mě těší právě to, že výsledky své práce mohu téměř denně potkávat na ulici a v běžném provozu.

 

Lukáš Provázek

Jmenuji se Lukáš Provázek a jsem v Digiteq Automotive zaměstnaný jako projektový manažer v softwarovém oddělení zaměřeném na ADAS, kde pracuji téměř dva roky. Je to moje první pracovní zkušenost po dokončení studia na Vysoké škole ekonomické v Praze, kde jsem se specializoval na projektový management. I když jsem tedy nestudoval přímo technický obor, na této pozici se spojilo odvětví, které jsem studoval, a můj osobní zájem o automobily. Jak již zmínil kolega Jan Soukup, automobilový průmysl je zajímavý tím, že výsledky naší práce se promítají do světa kolem nás. Aktuálně pracuji na projektech zaměřených na percepční systémy a kamery, které jsou učené jak k monitoringu interiéru, tak i ke vnímání okolí vozidla.

Můžete detailněji popsat společnost Digiteq Automotive? Jaká je její historie a současnost, čím vším se zabývá, jaké produkty vyvíjí a kde všude se s nimi můžeme setkat?

Jan Soukup

Digiteq Automotive je dceřinou společností firem Škoda Auto a CARIAD, softwarové divize skupiny Volkswagen. Jde tedy o stoprocentního člena koncernu VW, což firmě umožňuje podílet se na těch nejzajímavějších projektech různých koncernových značek. Disponuje týmem více než osmi stovek expertů, inovačním ekosystémem a zázemím laboratoří a testovacích center v Praze, Mladé Boleslavi, v Plzni a v Brně. Cílem vývoje Digiteq Automotive jsou moderní rozhraní mezi vozem a posádkou, pokročilé komfortní, bezpečnostní a asistenční systémy.

Naše firma vznikla v roce 2001, tehdy ještě pod názvem “e4t electronics for transportation” jako společný podnik Škoda Auto a TÜV SÜD Czech. Po dlouhou dobu se zde primárně prováděly systémové testy na hardwaru. Postupem času se začal rozvíjet i software, přičemž zásadní změna nastala, když v Digitequ získala většinový podíl 51 % společnost Carmeq, dceřiná firma Volkswagenu zaměřená na software. Tento krok vedl k významnému posunu ve vývoji a testování softwaru, jelikož se mnoho softwarových testů začalo více automatizovat. V rámci těchto změn došlo k přechodu pod CARIAD, což umožnilo využít dlouho budované kompetence Digitequ v oblasti vývoje softwaru pro celý koncernu Volkswagen.

Lukáš Provázek

V Digitequ se nezabýváme pouze vývojem softwaru, ale také hardwarem. Mezi naše řešení patří například různé nástroje pro získávání dat z automobilových kabelových systémů nebo zobrazovací metody, které umožňují simulovat a upravovat informace z vozidel. Tyto klíčové vstupy jsou nezbytné pro následný vývoj. Zejména se pak zaměřujeme na testování na základě HIL (Hardware In the Loop). Máme také oddělení zaměřená na testování, kde se zkoumá správnost komunikace mezi jednotlivými jednotkami v automobilu. I když každá jednotka funguje samostatně správně, při integraci do společného systému mohou vznikat problémy, které je třeba odhalit a opravit. To je jedna z věcí, které mě překvapily, když jsem do Digitequ nastupoval – že se zde nejen vyvíjí software, ale také se intenzivně pracuje s různými hardwarovými nástroji, které jsou velice užitečné.

Jaké konkrétní produkty či vývojové aktivity realizujete v souvislosti s automatizovanými a autonomními vozidly?

Lukáš Provázek

Primárně se zaměřujeme na monitorování kabiny a na interpretaci scén uvnitř vozidla, což je klíčové pro autonomní řízení na vyšších úrovních. Pro úroveň 4 je nezbytné, aby vozidlo dokázalo rozpoznat vhodný okamžik, kdy předat řízení zpět řidiči. K tomu využíváme data z kamer a senzorů, které analyzují situaci uvnitř automobilu. V případě, že řidič není schopen řízení převzít, by vozidlo mělo bezpečně zastavit a počkat, dokud nebude řidič připravený. Mimo jiné vyvíjíme funkce pro detekci polohy řidiče, sledování jeho pohledu a analyzování pohybu končetin, zejména hlavy a očí, aby bylo možné určit, zda má přehled o situaci kolem vozidla. Pokud například řidič po celou dobu sleduje mobilní telefon a pak jen krátce pohlédne na silnici, systém musí zvážit, zda je vůbec připraven převzít kontrolu nad vozidlem.

Kromě toho se zabýváme i funkcemi uživatelského komfortu, jako je ovládání funkcí vozidla gesty nebo personalizace interiéru na základě detekovaných emocí řidiče. To znamená, že například pomocí barevných prvků a hudby můžeme ovlivnit atmosféru v kabině. Také pracujeme na funkcích, které využívají detekci oblečení k automatickému nastavení klimatizace. Například pokud je venku horko a řidič má na sobě tričko, klimatizace může automaticky upravit směr a intenzitu proudění vzduchu tak, aby byla teplota v kabině příjemná.

Dále využíváme pokročilé technologie pro rozpoznání pohlaví řidiče, protože muži a ženy vnímají teplotu odlišně, což nám umožňuje ještě lépe přizpůsobit komfortní nastavení vozidla. Systém také umožňuje řidiči, aby si tyto profily přizpůsobil, jak mu to vyhovuje. Například aby vozidlo neohřívalo interiér, když má na sobě teplé oblečení apod. Naším cílem je maximálně využít dostupné informace k tomu, abychom vytvořili co nejpohodlnější prostředí uvnitř vozidla.

Jan Soukup

K systému ADAS bych rád doplnil, že se zde zaměřujeme zejména na sledování zdravotních indikátorů a úrovně soustředění řidiče. Míra soustředění se typicky hodnotí podle směru, kam se řidič dívá, a například počítáním toho, jak často mrká, což je jeden z indikátorů únavy. Tento proces probíhá i v případě, že má řidič nasazené tmavé brýle, a to díky speciálním kamerám, které jsou schopny proniknout přes skla. Pro výrobce automobilů je rovněž důležité, aby bylo možné sledovat, kam řidič směřuje svůj pohled nejen z hlediska bezpečnosti, ale také například při projíždění kolem důležitých ukazatelů nebo reklam. V systému ADAS je však klíčové, aby řidič zůstal soustředěný, což systém sleduje v kombinaci s dalšími indikátory, jako je srdeční tep a tělesná teplota, které mohou odhalit, jak se řidič cítí. Komplexnější nadstavbou je detekce, zda je řidič pod vlivem omamných látek. Na základě těchto informací může vozidlo například omezit výkon motoru nebo rozhodnout, zda řidiči vůbec umožní zahájit jízdu, což je obvykle přizpůsobeno podle konkrétní automobilky.
 

Můžete podrobněji popsat, co se rozumí pod monitorovacími systémy řidiče (DMS) a kabiny (CMS), jaký je jejich účel, proč se zavádějí a jaké typy těchto systémů existují?

Jan Soukup

Celkově se DMS a CMS zabývají čtyřmi hlavními oblastmi monitorování řidiče a cestujících v automobilu. První z nich je pozice cestujících. V případě řidiče se sleduje nejen poloha rukou na volantu, ale i celková pozice těla a hlavy. Tato data mohou sloužit jako indikátory únavy nebo zdravotních problémů, což je velmi důležité pro bezpečnost jízdy. Důležité je i vyzdvihnout schopnost kamery odhadnout hmotnost cestujících. Tato veličina, spolu s polohou trupu a končetin, tvoří základní vstupní data pro adaptivní bezpečnostní prvky. Mezi nejdůležitější z těchto prvků patří airbagy a bezpečnostní pásy, které díky informacím z interiéru vozu mohou optimalizovat svou účinnost a minimalizovat vedlejší účinky. Druhá oblast se týká zdravotních aspektů, jako je monitorování srdečního tepu, frekvence dechu a tělesné teploty, které mohou pomoci včas odhalit například mrtvici nebo jiný zdravotní problém, kde pomůže dlouhodobý sběr informací o zdravotním stavu řidiče. Třetí oblast zahrnuje kognitivní aspekty, tedy jak se řidič soustředí na řízení, což systém rozpoznává na základě komplexního sledování nejen samotného řidiče ale i celé kabiny. Tato data mohou odhalit například hádku mezi cestujícími nebo stav, kdy všichni spí kromě řidiče, což může mít zásadní dopad na pozornost a soustředění řidiče. Poslední oblastí je personalizace, v rámci níž jde o to, identifikovat řidiče nebo pasažéry a přizpůsobit nastavení vozidla podle toho, co kterému z nich vyhovuje. Profilování řidičů a pasažérů umožňuje automobilu přizpůsobit nejen polohu sedaček a zrcátek, ale také jízdní režimy nebo jiné nastavení vozu. Tento proces však přináší rizika spojená s uchováváním osobních údajů, zejména pokud jsou tato data uložena v cloudu, což může vést k otázkám týkajícím se soukromí a sledování pohybu osob.
 

V případě DMS, jež zaznamenávají biologické funkce člověka, narážíte na nějaká legislativní či etická úskalí, jež se pojí se sběrem tohoto typu dat?

Lukáš Provázek

Hlavním problémem při uchovávání dat je jejich bezpečnost, zejména pokud jsou uložena v cloudu, jak již zmínil Honza. V souvislosti se zdravotními funkcemi vzniká otázka etiky. Přestože cílem sledování stavu řidiče je ho chránit, nikoli monitorovat pro jiné účely. Data nasbíraná během jízdy mohou být posílána lékařům pro sledování zdravotních trendů, což dává smysl vzhledem k tomu, kolik času lidé tráví v autě. Tato data jsou však také nezbytná pro trénink algoritmů, což může vyvolat legislativní a etické problémy. Účastníci studií obvykle podepisují souhlas s anonymizovaným zpracováním dat pro specifické účely, což je v souladu s legislativními požadavky, jako je GDPR. Otázkou zůstává, zda automobilky mohou tato data využívat k dalšímu tréninku algoritmů, což nemusí být všem uživatelům příjemné. Každá automobilka by proto měla mít vlastní postupy, jak tuto otázku řešit a jak podpořit vlastní vývoj. V některých zemích, například v případě americké Tesly, se data o autech běžně sbírají a představují významnou konkurenční výhodu. Tesla má v tomto ohledu značný náskok, což ukazuje, jak důležitá data v současnosti jsou. V jiných regionech, jako je Evropa, však sběr dat není tak rozvinutý a je třeba se zaměřit na řešení souvisejících problémů, zejména pokud jde o soukromí a bezpečnost uživatelů. Naproti tomu v zemích, kde je regulace méně přísná, například v Číně, může být vývoj v této oblasti rychlejší.
 

Jakým způsobem se snažíte šířit osvětu v rámci využití DMS, aby lidé Vaší technologii věřili?

Jan Soukup

Domnívám se, že naše systémy nejsou tak obtěžující jako například Start-Stop funkce nebo různé systémy jako Lane Assist, které lidé často vypínají, protože mají pocit, že řídí nejlépe na světě. Naše systémy takto nezasahují, alespoň v současné době ne. To, co se dnes do aut instaluje, je dáno legislativou, například monitoringem, zda řidič drží volant. To může být obtěžující, ale má to svůj výchovný účel. Funkce zvyšující komfort je možné vypnout, pokud si to uživatel přeje. Provádíme také zákaznické studie, abychom ověřili, zda to, co vyvíjíme, má smysl, což činí i automobilky. Nejde tedy pouze o to, přidávat stále nové funkce. Určitě se najdou lidé, kteří si budou stěžovat na některé komfortní funkce, ale paradoxně tyto funkce bývají viditelnější než například měření tepu nebo teploty, jemuž se lidé většinou nebrání. Když například systém zabrání jízdě, protože řidič si sedl za volant s lahví alkoholu v ruce, může to vyvolat nespokojenost, ale z dlouhodobého hlediska je to správné řešení. Naším cílem je, aby ovládání funkcí vozidla fungovalo intuitivně, aniž by se majitel musel složitě učit novým technologiím, podobně jako když dostanete nový počítač s neznámou verzí operačního systému a musíte se s ním seznamovat.

Lukáš Provázek

Jako doplnění bych uvedl, že v zásadě tedy nepřicházíme s žádnou novou situací ani s novými upozorněními. Je pravděpodobné, že u některých personalizovaných funkcí může dojít k tomu, že se něco změní, aniž by řidič o této změně věděl, což by mohlo vést k nechtěným situacím, kdy bude hledat, co se stalo. Na druhou stranu odpovědnost za správné používání těchto funkcí leží na řidiči, který by se měl soustředit především na řízení a na infotainment se zaměřit pouze v bezpečných situacích, například když vůz stojí. Mnohé funkce, které se řeší v rámci sledování kabiny a řidiče, jsou pasivní a nemají přímý vliv na řízení. Některé funkce pro komfort však mohou ovlivnit chování vozidla, a proto je důležité, aby je novému majiteli někdo správně představil. V dealerstvích často slouží tyto funkce jako lákadlo, které prodejci rádi ukazují. Například funkce klimatizace, která se automaticky přizpůsobí na základě oblečení řidiče, je jedním z atraktivních prvků, které mohou v dealerstvích při prodeji auta zdůrazňovat. U vozidel z druhé ruky, kde může být problém s dostupností servisních informací, je situace složitější. Kupující často oceňuje, když k vozidlu dostane alespoň návod a servisní historii.
 

Jak probíhá vývoj a testování DMS?

Jan Soukup

Automobilový průmysl obecně využívá takzvaný V-model, který začíná na vrcholu zákaznickým požadavkem. Tento požadavek se analyzuje na systémové úrovni, kde se určuje, jaké senzory a řídicí jednotky jsou potřeba a jak zapadají do systémové architektury vozidla. Tento proces zahrnuje specifikaci požadavků na systém, které se následně převádějí na úroveň vývoje hardwaru a softwaru.

Pokud například zákaznický požadavek zahrnuje sledování, zda se řidič dívá před sebe, analyzujeme, jaké komponenty jsou k tomu zapotřebí. Musíme mimo jiné vybrat kameru s přísvitem, který bude nezbytný pro detekci obličeje i za nízkého osvětlení, a určit optimální umístění kamery v automobilu. Poté se zkoumá, jaké faktory mohou ovlivnit detekci, například různé tvary a odstíny brýlí nebo variace ve vzhledu řidiče. Tyto požadavky se pak používají při vývoji algoritmů pro strojové učení. V praxi se často používají konvoluční neuronové sítě, které se trénují na specifických datových sadách obsahujících různé typy lidí a jejich vlastností. Po natrénování neuronové sítě se algoritmus integruje do řídicí jednotky automobilu. Tento krok zahrnuje testování softwaru v simulovaných podmínkách, které napodobují provoz vozidla a interakci s jinými softwarovými moduly. Následuje testování na skutečném hardwaru, kde se měří výkon komponentů a ověřuje, zda neovlivňují ostatní součásti systému.

Testování zahrnuje nejen softwarové a hardwarové úrovně, ale i finální kalibraci v reálném automobilu. Při ní je třeba správně nastavit kameru a další parametry a následně vše testovat za reálných jízdních podmínek. Celý proces vývoje a testování může být nákladný, přičemž vytvoření testovacího vozidla stojí přibližně 1,5 až 2 miliony korun.
 

Máte nějaký osvědčený postup efektivní signalizace bdělosti řidiče, nebo biometrický systém sám pozná, kdy řidiči může řízení předat?

Lukáš Provázek

V oblasti sledování kabiny se objevují dva hlavní přístupy k orientaci řidiče v okolí vozidla. Prvním přístupem je manuální metoda, při které vozidlo zobrazuje na infotainmentu sadu objektů a řidič musí kliknutím označit jejich polohu, například auta před ním, za ním a vedle něj. K tomu musí mít povědomí o situaci kolem vozidla, takže systém podle toho může posoudit, zda je připraven převzít řízení.

Druhý, sofistikovanější přístup využívá sledování toho, jestli se řidič dívá na relevantní objekty. Například systém může ověřit, zda řidič sleduje auto ve zpětném zrcátku nebo zda kontroluje vozidla v okolí. Tento přístup může také zahrnovat povinnost podívat se do bočních oken, čímž se zajistí, že řidič je informován o všech směrech.

Pokud jde o otázku, jak dlouho trvá předání řízení řidiči, je to složitá problematika. Různé aktivity, jako například odložení svačiny nebo mobilního telefonu, trvají různě dlouho a je obtížné univerzálně definovat, kolik na ně řidič potřebuje času. Řešení tohoto problému bude vyžadovat použití strojového učení, které umožní vozidlu lépe tento čas odhadnout na základě historických dat. Pokud však vozidlo disponuje pokročilou technologií pro komunikaci s cloudem, může se na základě analýzy dat chování řidiče přizpůsobit a odhadnout, jak dlouho různé činnosti trvají. To umožňuje vozidlu lépe řídit předání řízení a zajistit, že se řidič připraví včas.

Celkově je problematika předání řízení složitá a obtížně definovatelná v porovnání s jednoduchými situacemi, jako je například vybouchnutí airbagu při nárazu. Situace se zhoršuje, pokud řidič překročí časový limit pro převzetí řízení, protože pak může být nutné vozidlo automaticky zastavit, například v koloně, které bylo možné se včasným převzetím vyhnout, nebo na krajnici, aby se zajistila bezpečnost všech účastníků silničního provozu.
 

Dle vašeho názoru je tedy reálnější, že pro každého řidiče bude časový interval pro předání řízení z autonomního módu nastaven individuálně?

Lukáš Provázek

odle mě k tomu tato technologie jednoznačně směřuje. Technologie se vyvíjí směrem k lepší integraci algoritmů a dat. V počáteční fázi bude záležet na tom, kde budou tyto algoritmy implementovány a kde se budou uchovávat data. Pokud budou všechny komponenty zabudované přímo do vozidla, bude možné pouze jednodušší řešení. To znamená, že se budou používat předdefinované časové intervaly pro různé aktivity a nebude prostor pro pokročilou personalizaci nebo adaptivní učení.

Na druhou stranu, pokud bude vozidlo schopné se připojit k internetu a cloudu, možnosti personalizace se značně rozšíří. V tomto případě by se využívala centralizovaná infrastruktura, která by umožnila výrazně větší výpočetní výkon a kapacitu pro uchovávání dat, což usnadní implementaci pokročilých algoritmů a personalizovaných funkcí.

Jan Soukup

U strojvedoucích tramvají a vlaků se běžně používá systém, že musí stisknout tlačítko, aby potvrdili, že jsou bdělí. Tento přístup je efektivní a ekonomický, ale patří spíše do minulosti. V automobilovém průmyslu máme možnost využívat modernější technologie, které umožňují aktivaci funkcí na infotainmentu například pouze pohledem. Například když budeme sledovat, zda se řidič skutečně dívá do pravého zpětného zrcátka, můžeme tím přesně monitorovat jeho pozornost a zajistit, že se soustředí na řízení, aniž bychom potřebovali další potvrzovací mechanismy.
 

Patří podle vás autonomním prostředkům budoucnost?

Lukáš Provázek

Myslím si, že autonomní řízení má velký potenciál, ale otázkou je, kde přesně bude nejvhodnější ho nasadit. Jak se postupně přechází na vyšší úrovně autonomního řízení, bude klíčová legislativa, ale je také nutné si ujasnit, kde bude technologie efektivně fungovat. Dálnice a hlavní silniční tahy kolem měst se jeví jako ideální prostředí pro prvotní nasazení, neboť umožňují plynulejší provoz a jednodušší scénáře. Tyto úseky musí být dobře zmapované, aby autonomní vozidla mohla efektivně operovat.

Naopak venkovské cesty, jako například silnice třetí třídy, se pravděpodobně budou přizpůsobovat později. Na dálnicích a hlavních tazích má autonomní řízení největší smysl, protože umožňuje plynulejší provoz a může zefektivnit komunikaci mezi vozidly, což by přispělo k eliminaci problémů, jako jsou fantomové kolony. V budoucnu by rovněž mohla existovat taková komunikace mezi vozidly, která by zlepšila plynulost dopravy i mimo hlavní tepny, ale to zatím zůstává spíše v oblasti dlouhodobějších plánů. Sice je možné, že s dostatečným počtem senzorů by autonomní vozidla mohla zvládnout i méně přehledné oblasti, nevidím však venkovské cesty jako primární cíl pro zavádění autonomního řízení.

Jan Soukup

Budoucnost autonomního řízení vidím především v dálniční dopravě, zejména u kamionů a autobusů. Tento scénář zahrnuje dlouhé cesty, kde vozidlo například 500 kilometrů jede rovně, což je situace, kde řidič může snadno pocítit únavu a udělat chybu. Autonomní řízení v takových podmínkách může být výrazně efektivnější. Zvláště u autobusů, které pravidelně jezdí po stejných trasách, je prostor pro autonomní řízení značný. Nicméně jak naznačil Lukáš, autonomní řízení v městských oblastech nemusí přinést tolik výhod. Z tohoto důvodu považuji dálkovou dopravu za hlavní oblast, kde autonomní řízení může být opravdu přínosné.
 

Jaké shledáváte hlavní výhody autonomních vozidel?

Jan Soukup

Dnes již adaptivní tempomaty přispívají k bezpečnější jízdě. Tento systém zajišťuje, že vozidlo udržuje bezpečný odstup od vozidla před ním, čímž se minimalizují lavinové efekty při brzdění, jak naznačil Lukáš. Algoritmus adaptivního tempomatu funguje deterministicky, což znamená, že vykazuje konzistentní a spolehlivé chování, které neovlivňují chyby typické pro lidské řidiče. Na rozdíl od lidského řidiče, u něhož je těžké předpovědět reakce, je u algoritmu zaručena stabilní a předvídatelná funkčnost.
 

A kde spatřujete naopak potenciální či skutečné nedostatky či nevýhody autonomních vozidel?

Lukáš Provázek

Jedním z potenciálních problémů při integraci autonomních a neautonomních vozidel je riziko, že budou vznikat konflikty na silnicích, kde se mísí oba přístupy. Nejefektivnější scénář by byl ten, že všechna vozidla by byla autonomní, protože by mezi nimi mohla probíhat vzájemná komunikace a koordinace. To by eliminovalo nepředvídatelné situace způsobené lidskými řidiči. Dalším významným problémem je otázka odpovědnosti v případě nehody. Kdo bude nést odpovědnost, pokud dojde k incidentu – řidič, automobilka, nebo vývojář technologie? Tento problém ukazuje na nedostatečně vyvinutý právní rámec, který v současnosti není na takové scénáře připravený. Tato nejistota představuje další riziko, které je třeba řešit. Dále mě také napadá, že pokrok v autonomním řízení může zásadně změnit koncept uspořádání interiéru vozidla. U pokročilých úrovní autonomního řízení, kde není nutné převzít kontrolu nad vozidlem, se může rozmístění sedadel výrazně změnit. Uživatelé by mohli sedět v různých konfiguracích, například čelem k sobě nebo dokola, což by mohlo mít vliv na jejich pohodlí. Je třeba se zaměřit na to, že lidem se může v autě častěji dělat špatně, zvlášť když auto nebude cestovat stabilně, například při jízdě do hor. Zatímco v současnosti jsou řidiči obvykle odolnější vůči nevolnosti, protože aktivně vozidlo řídí a vnímají situaci, cestující v autonomních vozidlech mohou být k těmto problémům náchylnější. Jak se autonomní technologie vyvíjí, bude důležité řešit tyto nové výzvy spojené s uspořádáním interiéru a komfortem cestujících.

Jan Soukup

Riziko a nevýhody autonomního řízení vidím v situacích, na které software nemusí být připravený. Například pokud jedu autonomně z Brna do Prahy a usnu, zatímco v autě vzadu dítě začne zvracet, může to vytvořit problém. V takovém případě by autonomní vozidlo mohlo pokračovat v jízdě, i když by bylo nezbytné rychle zastavit, což by mohlo vyvolat paniku nebo jiné problémy v kabině vozu. Takových situací může být více. Další aspekt je, že cestování autonomním vozidlem může být nudné pro ty, kdo si užívají řízení.
 

Jaká jsou podle vás hlavní technologická odvětví související (nejen) s dopravou, jež budou v nadcházejících letech nabývat na důležitosti?

Jan Soukup

Jednoznačně je to oblast zdravotnictví. Domnívám se, že tento sektor je v současnosti značně pozadu, což je škoda. Naše algoritmy by například již dnes dokázaly s vysokou přesností analyzovat rentgenové snímky, počítačové tomografie či magnetické rezonance. Pokud jsou správně natrénované, mohou fungovat bezchybně, na rozdíl od lidského lékaře, který může chybu udělat. Velký potenciál vidím v integraci dat, která jsou o člověku shromažďována, například z chytrých hodinek, telefonů a automobilů. Pokud by zdravotní pojišťovny vytvářely komplexní profily, mohlo by to přinést cenné informace pro zlepšení péče o pacienty. I z komerčního hlediska je zdravotnictví významným sektorem s velkým potenciálem.

Lukáš Provázek

Kromě automobilového průmyslu, o kterém jsme se bavili, vidím velký potenciál automatizace i v oblasti železnic, tramvají, autobusů a dopravy obecně, včetně letectví. Mnoho aspektů, jako je pilotování, řízení nebo monitorování situace v kabině, lze automatizovat. Cílem je usnadnit práci těm, kdo se na těchto pozicích nacházejí, nebo v některých případech lidskou činnost zcela nahradit automatizovanými systémy.
 

Pokud byste měli dát radu člověku, například studentovi, který má zájem o kariéru spojenou s autonomními vozidly, na co by se měl zaměřit?

Jan Soukup

Jednoznačně bych takovému člověku doporučil, aby zkoušel programovat. Programování a trénování neuronových sítí nemusí být obtížné. Začátečníci mohou vyzkoušet trénink základní neuronové sítě například na rozpoznávání členů rodiny. Existují online služby, které umožňují experimentovat s neuronovými sítěmi, i když máte jen minimální znalosti. To může být velmi cenná zkušenost.

Lukáš Provázek

Pokud se někdo rozhodne vstoupit do automobilového odvětví, má k dispozici široké spektrum možností. I bez znalosti programování se může zaměřit na jiné oblasti, které jej mohou zajímat, jako například HR nebo finance. Tyto oblasti jsou v automobilovém průmyslu rovněž potřebné. Navíc i v těchto rolích se člověk, pokud je dostatečně zvědavý, může dostat k zajímavým aspektům odvětví.
 

Děkuji vám za velmi zajímavý a poučný rozhovor.