The Evolution of Autonomous Vehicles: How Safety, Edge Computing, and AI Are Converging

Autonomous vehicles are not evolving along a single technology curve. The most important progress is happening where three disciplines meet: safety engineering, edge computing, and artificial intelligence. Better neural networks matter, but a vehicle cannot safely outsource a split-second braking decision to the cloud, and a powerful onboard computer does not make a driving system trustworthy unless its limits are defined, tested, monitored, and handled safely.

To make those ideas concrete, consider a hypothetical example used throughout this article. MetroLoop Mobility is fictional: imagine that it operates a Level 4 robotaxi service inside a clearly defined downtown operating area. The vehicles can drive themselves only when required road, weather, mapping, and system conditions are satisfied. One evening, a MetroLoop car approaches road construction just as light rain begins, a cyclist moves near the lane boundary, and cellular service briefly degrades. Nothing in this example is a reported real-world test or company result. It is simply a practical way to examine what a modern autonomous driving system must do.

Autonomy has evolved from driver assistance to bounded automated driving

The first thing to understand is that “self-driving” is often used too loosely. The SAE J3016 driving automation framework distinguishes six levels, from Level 0 through Level 5. At Levels 0, 1, and 2, the human remains responsible for driving and supervision. Levels 3, 4, and 5 move the sustained driving task to an Automated Driving System, or ADS, under increasingly broad conditions.

This distinction is not just terminology. The National Highway Traffic Safety Administration likewise separates Level 2 advanced driver assistance systems from Levels 3–5 automated driving systems. That matters because the safety case, human role, failure handling, and regulatory expectations are different.

In the MetroLoop example, the service is Level 4, not Level 5. Its autonomy is tied to an operational design domain, commonly shortened to ODD. An ODD defines the conditions in which the automated system is intended to operate: for example, particular road types, geographic areas, weather ranges, traffic conditions, speeds, or times of day. A mature Level 4 system does not need to pretend it can drive everywhere. It needs to know where its competence begins and ends, and it needs a safe response when conditions move outside that boundary.

The safety problem has become broader than preventing hardware failure

Traditional automotive safety engineering remains essential, but autonomous driving adds new kinds of risk. A sensor can be electrically healthy while an AI model still misinterprets an unusual object. A compute module can be functioning exactly as designed while the perception stack becomes uncertain in glare, heavy rain, construction, or an unfamiliar traffic pattern.

That is why modern AV safety draws on several complementary frameworks rather than one checklist:

Return to MetroLoop in the rain. The relevant question is not simply, “Did the camera work?” The vehicle may need to determine whether camera contrast has degraded, whether radar and lidar agree on the cyclist’s position, whether the construction geometry still fits the ODD, and whether confidence is sufficient to continue. If not, the correct behavior may be to slow down, increase spacing, change route, pull over, or transition to another predefined minimal-risk condition.

This is a major change in how autonomous vehicle safety is understood. Safety is not a claim that the AI will never be wrong. It is a system property that combines fault detection, uncertainty handling, redundancy, safe fallback, operational limits, validation, monitoring, and post-deployment learning.

Edge computing moved the critical decision loop into the vehicle

Edge computing means processing data close to where it is produced instead of sending every task to a remote cloud data center. The concept is broader than vehicles; NIST research on fog and edge computing describes edge architectures as an extension of cloud computing designed in part to support applications with stringent latency requirements.

For autonomous driving, the implications are direct. Cameras, radar, lidar, inertial sensors, wheel-speed sensors, and other inputs can produce a continuous stream of data. Perception, localization, prediction, planning, and vehicle control must continue even if a mobile connection becomes slow or disappears. A cloud round trip is therefore unsuitable as a dependency for immediate collision avoidance or steering control.

Modern automotive compute platforms reflect that architecture. For example, current NVIDIA in-vehicle computing documentation describes onboard systems built to combine cameras, radar, lidar, and high-performance AI processing. The important architectural point is not any one vendor's chip specification. It is that the safety-critical inference loop is increasingly centralized into powerful automotive-grade computers inside the vehicle.

The cloud still matters. A fleet can use remote infrastructure for model training, simulation, large-scale log analysis, map generation, software distribution, fleet health monitoring, and aggregated learning from unusual scenarios. But the practical design is hybrid:

• Vehicle edge: immediate perception, localization, prediction, motion planning, control, fault monitoring, and minimal-risk behavior.
• Cloud or data center: computationally heavy offline training, simulation, fleet analytics, map processing, software delivery, and long-horizon optimization.
• Connectivity: useful for updates and coordination, but not treated as a guaranteed prerequisite for basic safe control.

In the MetroLoop scenario, the cellular outage should therefore be inconvenient rather than catastrophic. The vehicle still needs enough onboard capability to detect the cyclist, interpret the construction zone, plan a safe trajectory, and stop if necessary. Cloud connectivity may affect dispatch or fresh fleet information, but it should not be the only path to a braking decision.

AI integration is shifting from isolated perception models to system-level intelligence

Earlier autonomous driving stacks were often described as a sequence of separate modules: detect objects, estimate their motion, localize the vehicle, predict what other road users may do, generate candidate trajectories, select a path, and control steering and braking. That modular design is still widely useful because engineers can inspect boundaries and test components independently.

Istovremeno, strojno učenje proširilo se na veći dio sustava. Neuronske mreže sada podržavaju zadatke poput otkrivanja objekata, semantičkog razumijevanja, procjene traka i slobodnog prostora, predviđanja kretanja, modeliranja popunjenosti, nadzora vozača ili kabine, a ponekad i integriranijeg planiranja. Novi smjer nije nužno „jedan divovski model kontrolira sve“. U vozilima kritičnim za sigurnost, hibridne arhitekture mogu kombinirati naučene modele s determinističkim provjerama, ograničenjima, redundantnim estimatorima, konvencionalnim upravljanjem i monitorima sigurnosti tijekom izvođenja.

Ova integracija stvara novi inženjerski izazov: model umjetne inteligencije može u prosjeku iznimno dobro funkcionirati, a ipak ne uspijevati u rijetkim kombinacijama uvjeta. ISO/PAS 8800 je značajan jer tretira sigurnost umjetne inteligencije kao problem osiguranja, umjesto da pretpostavlja da sama agregatna točnost strojnog učenja dokazuje da je vozilo sigurno.

Za MetroLoop, pretpostavimo da model percepcije ispravno identificira biciklista, ali je raspored konstrukcije neobičan. Robusni stog ne bi se trebao oslanjati na jedan klasifikacijski rezultat. Može spojiti više senzora, usporediti neovisne signale, procijeniti nesigurnost, provjeriti planirane putanje u odnosu na fizička ograničenja i primijeniti konzervativni rezervni pristup kada su dokazi u sukobu.

Fuzija senzora ostaje važna čak i dok umjetna inteligencija postaje sve jača

Autonomno vozilo ne doživljava cestu putem jednog savršenog senzora. Kamere pružaju bogate vizualne informacije, ali mogu biti otežane odsjajem, tamom, onečišćenjem ili vremenskim uvjetima. Radar je koristan za mjerenje udaljenosti i relativnog kretanja te se može ponašati drugačije od kamera pri slaboj vidljivosti. Lidar može pružiti detaljne informacije o geometrijskoj udaljenosti, iako se implementacije razlikuju po dometu, cijeni, rezoluciji i ekološkim performansama. Senzori kretanja vozila dodaju još jedan neovisan pogled na to što sam automobil radi.

Fuzija senzora je proces kombiniranja tih različitih signala kako bi sustav mogao izgraditi robusniju procjenu svoje okoline nego što to može pružiti bilo koji pojedinačni senzor. Cilj nije samo dodati više hardvera. Redundancija je korisna samo kada sustav razumije neslaganja, detektira degradirane ulaze i još uvijek može dosegnuti sigurno stanje.

To je jedan od razloga zašto se evolucija autonomne tehnologije sve više fokusira na integraciju. Senzori, modeli umjetne inteligencije, mreže vozila, računalni akceleratori, sigurnosni kontroleri, karte, kibernetička sigurnost i softver za vozni park postaju dijelovi jednog projektiranog sigurnosnog sustava.

Sigurnost u stvarnom svijetu zahtijeva bolje dokaze od neobrađenih podataka o nesrećama

Kako autonomna vozila prelaze iz prototipova u komercijalnu upotrebu, sigurnosno pitanje postaje mjerljivo: koliko često se događaju štetni događaji, pod kojim uvjetima i u usporedbi s kojom početnom vrijednošću?

NHTSA-ina Stalna opća naredba o prijavljivanju sudara zahtijeva od identificiranih proizvođača i operatera da prijave kvalificirane sudare koji uključuju ADS i ADAS razine 2. Naredba je prvi put izdana 2021. godine, a izmijenjena je 2021., 2023. i 2025. godine. Na trenutnoj stranici s javnim podacima NHTSA-e navodi se da se najnoviji prikazani podaci o incidentima protežu do 15. srpnja 2026. godine.

Ti su podaci vrijedni, ali NHTSA također upozorava na ograničenja. Zahtjevi za izvještavanje razlikuju se između ADS i sustava razine 2; izvješća se mogu duplicirati; klasifikacije se mogu ispraviti; a izloženost se razlikuje među tvrtkama i lokacijama. Stoga bi jednostavno rangiranje programera prema broju prijavljenih nesreća bilo zavaravajuće.

Dobre usporedbe sigurnosti trebaju odgovarajuće nazivnike i usklađene uvjete vožnje. Trebale bi uzeti u obzir prijeđene kilometre, vrstu ceste, geografiju, brzinu, vremenske uvjete, radne sate, nedovoljan broj prijava ljudskih sudara, težinu ozljeda i radi li autonomni sustav u istim okruženjima kao i ljudska referentna vrijednost.

Koristan trenutni primjer je Waymov javno dokumentirani istraživački program. Njegova nadzorna ploča o utjecaju na sigurnost izvještava o usporedbama kilometraže i stope sudara samo za vozače koristeći ljudske referentne vrijednosti prilagođene lokaciji, dok je recenzirana studija o osiguranju razvila metodu za usporedbu Waymo Drivera s izloženošću ljudske vožnje. To su važni dokazi, ali i dalje dokazi o određenom sustavu koji radi u određenim ODD-ima. Ne treba ih generalizirati u tvrdnju da je svako autonomno vozilo sigurnije od svakog ljudskog vozača.

Regulacija se počinje pomicati prema okvirima za performanse i implementaciju

Regulatorno okruženje se također razvija. U Sjedinjenim Državama, NHTSA je u srpnju 2026. objavila da ubrzava rad na standardima performansi AV sustava i odobrila privremeno izuzeće koje dopušta ograničenu komercijalnu primjenu namjenski izgrađenih robotskih taksija Zoox pod nadzorom. Izvorna objava dostupna je od NHTSA-e .

Dana 3. rujna 2026., američko Ministarstvo prometa također je objavilo novu Nacionalnu strategiju za automatizirana vozila . Što god buduće donošenje propisa u konačnici zahtijevalo, smjer je značajan: regulatori se sve više suočavaju s vozilima koja možda nisu dizajnirana oko stalno prisutnog ljudskog vozača ili čak tradicionalnih ručnih kontrola.

Međunarodni rad se također razvija. U lipnju 2026. UNECE je objavio najnoviju verziju prijedloga za UN-ov pravilnik koji obuhvaća automatizirane sustave vožnje . Taj prijedlog ne treba miješati s univerzalno usvojenim konačnim pravilom, ali on pokazuje kako se regulatori kreću od uskih automatiziranih funkcija prema širim konceptima odobravanja ADS-a.

Kako izgleda zreli paket autonomnih vozila

Najkorisniji način za razumijevanje trenutne evolucije jest promatrati vozilo kao slojevit sustav, a ne kao jedan proizvod umjetne inteligencije.

Povratak u MetroLoop: kako dijelovi funkcioniraju zajedno

Sada se ponovno osvrnimo na izmišljeni susret s kišnim gradilištem. Kamere vide čunjeve, privremene oznake, radno vozilo i biciklista. Radar doprinosi informacijama o kretanju i dometu. Lidar doprinosi geometrijskoj strukturi. Ugrađeno računalo spaja te tokove i kontinuirano ažurira lokalnu scenu.

Sustav umjetne inteligencije predviđa nekoliko vjerojatnih biciklističkih staza umjesto da pretpostavi jednu savršenu budućnost. Planer smanjuje brzinu i zadržava dodatni bočni prostor. Monitor sigurnosti tijekom vožnje provjerava krši li planirana putanja dinamiku vozila ili ograničenja razmaka. U međuvremenu, vozilo prepoznaje da je raspored konstrukcije blizu granice svojih podržanih uvjeta.

Tada se prekida mobilna veza. Budući da se kritična petlja vožnje izvodi na rubu, lokalna percepcija i kontrola se nastavljaju. Usluga voznog parka može privremeno izgubiti svježe informacije iz oblaka, ali automobil ne gubi sposobnost kočenja. Ako pouzdanost padne ispod sigurnog praga sustava, vozilo slijedi svoje unaprijed definirano rezervno ponašanje umjesto da improvizira izvan optičke jedinice.

Ovo hipotetsko putovanje ilustrira središnju lekciju evolucije autonomnih vozila: autonomija se sve manje svodi na dokazivanje da automobil može voziti, a više na dokazivanje da cijeli sustav može prepoznati neizvjesnost, ostati otporan kada se dijelovi okoliša ili infrastrukture degradiraju i postići siguran ishod kada njegove pretpostavke više nisu valjane.

Što ostaje neriješeno

Značajna tehnička i politička nesigurnost i dalje postoji. Situacije s dugim repovima cesta su teške jer rijetke kombinacije vremena, infrastrukture, ljudskog ponašanja i degradacije senzora mogu biti nedovoljno zastupljene u podacima za obuku. Simulacija može povećati pokrivenost, ali ne reproducira savršeno stvarnost. Testiranje u stvarnom svijetu pruža vrijedne dokaze, ali ne može otkriti svaku moguću opasnu kombinaciju prije implementacije.

Skaliranje s ograničenog gradskog ODD-a na šira područja također mijenja problem. Snijeg, seoske ceste, privremena kontrola prometa, hitne situacije, neobična vozila, nedosljedna signalizacija i različite kulture vožnje mogu dodati promjenu u distribuciji. Sustav koji je dokazano siguran u jednoj operativnoj domeni nije automatski dokazano siguran i u drugoj.

Umjetna inteligencija također stvara pitanja životnog ciklusa. Modeli se mogu promijeniti nakon ažuriranja softvera, a novi podaci s terena mogu otkriti prethodno nepoznate slabosti. To čini kontrolu verzija, regresijsko testiranje, praćenje sigurnosti, kibernetičku sigurnost, sljedivost i upravljanje ažuriranjima dijelom sigurnosnog slučaja - ne samo softverskih operacija.

Sljedeća faza autonomije je integracija, a ne pojedinačni proboj

Evolucija autonomnih vozila često se opisuje kao utrka prema pametnijoj umjetnoj inteligenciji. To je samo dio priče. Značajniji pomak je prema integriranim sustavima u kojima se umjetna inteligencija, senzori, rubno računalstvo automobilske razine, funkcionalna sigurnost, SOTIF, kibernetička sigurnost, operativna ograničenja, mjerenja u stvarnom svijetu i regulatorni nadzor međusobno pojačavaju.

Za hipotetski vozni park poput MetroLoopa, uspjeh ne bi bio definiran time je li vozilo uspješno izdržalo jedan impresivan susret u zoni gradnje. Značajno pitanje bilo bi može li sustav više puta raditi unutar poznatog terenskog vozila (ODD), prepoznati kada uvjeti više nisu pouzdani, održati sigurnu lokalnu kontrolu bez oslanjanja na savršenu povezanost, učiti iz dokaza voznog parka i potkrijepiti tvrdnje transparentnim podacima.

U tom smjeru autonomna vozila idu 2026. godine: od ideje automobila koji se jednostavno „sam vozi“ prema kontinuirano provjeranom sigurnosnom sustavu čija je inteligencija raspoređena po senzorima, ugrađenim računalima, softveru, infrastrukturi voznog parka i pažljivo definiranim operativnim granicama.