INSAIT, част от Софийския университет „Св. Климент Охридски“, представя DiffSim Trinity (diffsimtrinity.insait.ai) – серия от три научни разработки, които могат да променят начина, по който автономните автомобили се обучават да разбират света и да вземат решения. Проектът стъпва върху симулатора Waymax, разработен от Waymo – световен лидер в автономните автомобили, и показва нов потенциал за по-безопасно и интелигентно автономно шофиране.
Едно от основните предизвикателства пред автономните автомобили днес е не просто да изпълняват команди, а да разбират последствията от действията си – как едно леко завиване или ускорение ще промени ситуацията секунди по-късно. Повечето съвременни подходи обучават системите да превръщат данни от камери и сензори в действия, но физическите закони, които определят движението на автомобила и взаимодействието му с околната среда, често остават извън самия процес на обучение.
С DiffSim Trinity изследователите от INSAIT въвеждат нов метод, който включва тези физически зависимости директно в обучението чрез т.нар. диференцируема симулация. Това позволява на автомобила не само да реагира на ситуацията, но и да предвижда какво ще се случи след всяко негово действие, като анализира различни възможни сценарии и техните последствия.
DiffSim Trinity обединява три отделни научни изследвания, които разглеждат този подход от гледна точка на управлението на автомобила, планирането на движенията и избора на най-добра траектория.
Водещ автор на проекта е българинът Асен Начков, докторант в INSAIT, който се завръща в България преди три години след магистратура в Имперския колеж в Лондон, за да продължи научната си работа в София.
Разработките са реализирани в сътрудничество с Университета в Цюрих и ETH Zürich и са публикувани на едни от най-престижните международни научни форуми в областта на изкуствения интелект и роботиката – IROS 2025 и AAAI 2026.
Проектът вече привлича интерес от водещи технологични компании в сферата на автономното шофиране.
Резултатът от DiffSim Trinity е солидна научна основа за по-прецизно обучение, по-добро планиране и по-надеждно поведение на автономните автомобили в реални, динамични условия.
--700.jpg)
