Autonoom rijden en robottechnologieën maken deel uit van een markt van 200 miljard dollar die de auto-industrie opnieuw vormgeeft. Veel technologiebedrijven concurreren om deze markt te domineren door te proberen de autonomie-uitdagingen op te lossen waarmee zelfrijdende voertuigen in stedelijke omgevingen worden geconfronteerd.
De passie van een wiskundige voor rotsklimmen kan problemen op het gebied van zelfredzaamheid oplossen
Een deskundige wiskundige, Vladislav ‘Vlad’ Voroninski, is medeoprichter en CEO van Helm.aieen van ’s werelds toonaangevende leveranciers van geavanceerde, op AI gebaseerde software voor autonoom rijden en robotautomatisering. Het doel is om de meest schaalbare en betrouwbare AI-software voor autonoom rijden en robotica te creëren.
Helm.ai werkt momenteel samen met enkele van de grootste internationale OEM’s, zoals Volkswagen en Honda, om innovatieve rijhulp- en autonomiesystemen te leveren aan de consumentenautomobielmarkt. “De sector heeft een omslagpunt bereikt waarop het verzamelen van gegevens met brute kracht niet langer commercieel haalbaar is voor high-end autonomie”, aldus Voroinski.
Terwijl anderen uitsluitend op data vertrouwen om de autonomie te verbeteren, gebruikt Voroninski een andere aanpak, geïnspireerd door zijn liefde voor rotsklimmen. Het wil de structuur ervan begrijpen door een beoordeling van het ‘terrein’ uit te voeren, de vereiste bewegingen te isoleren en deze in realtime aan te passen. Het idee is om de manier te veranderen waarop kunstmatige intelligentie de fysieke omgeving eromheen interpreteert.
Het overwinnen van de datamuur
De initiële ontwikkeling van autonome rijsystemen was afhankelijk van het verzamelen van duizenden uren aan rijgegevens uit de echte wereld om AI-modellen te trainen. De theorie was dat hoe meer gegevens worden gebruikt om AI-modellen te trainen, hoe waarschijnlijker het is dat de AI goed zou kunnen reageren op kritische ‘edge case’-scenario’s, dit zijn extreme omstandigheden die buiten de normale parameters vallen.
Helaas is de auto-industrie tegen een ‘datamuur’ aangelopen, waar traditionele AI-modellen voor zelfrijdende auto’s zeldzamere en duurdere gegevens nodig hebben om hun prestaties in edge-scenario’s te verbeteren. Sommige ontwikkelaars wenden zich tot monolithische ‘end-to-end’-modellen, maar het probleem is dat ze werken als ‘zwarte dozen’. Ze beschikken niet over de interpreteerbaarheid die nodig is om in aanmerking te komen voor de strenge veiligheidscertificering die vereist is voor een niveau 3-classificatie.
De Society of Automotive Engineers (SAE) International heeft een standaardbeoordelingssysteem ontwikkeld om nauwkeurig te beschrijven hoeveel een auto zelfstandig kan rijden versus hoeveel een menselijke bestuurder nodig heeft om ermee te rijden. Hier is een kort overzicht van de niveaus:
- Niveau 0 – Geen automatisering; Allemaal menselijke begeleiding
- Niveau 1 – Alleen rijassistentie
- Niveau 2 – Gedeeltelijke automatisering; De bestuurder moet nog steeds de weg in de gaten houden
- Niveau 3 – Voorwaardelijke automatisering; Alleen onder specifieke rijomstandigheden kan de bestuurder zijn ogen van de weg afhouden
- Niveau 4 – Hoge automatisering: de auto kan zelfstandig opereren in specifieke, in kaart gebrachte stedelijke gebieden.
- Niveau 5 – Volledige automatisering: De auto kan overal, onder alle omstandigheden en op alle plaatsen zelf rijden zonder menselijke hulp.
Het uiteindelijke doel voor bedrijven als Helm.ai is om niveau 5 te bereiken. Helm.ai heeft onlangs een aanzienlijke uitbreiding aangekondigd van de mogelijkheden voor zijn productieklare, vision-only softwarestack, Helm.ai Driver, ontworpen om moeiteloos te schalen van niveau 2 naar niveau 3 en 4. Het Helm.ai Driver-systeem is gebouwd op de Factored Emfilled AI-architectuur van het bedrijf om mensachtig autonoom rijden in stadsverkeer mogelijk te maken zonder de noodzaak van een Lidar-sensor en high-definition kaarten.
Hoe factored embedded AI werkt
DE Gefactoriseerde ingebedde AI het zorgt ervoor dat autonome systemen veel minder trainingsgegevens kunnen gebruiken om cruciale beslissingen te nemen. In 2025 lanceerde Helm.ai een stedelijk proefprogramma om zijn AI Driver-systeem te testen in een druk deel van de stad. Het bleek dat de AI-chauffeur in staat was om alleen-vision-zero-shot autonoom te sturen terwijl hij door de complexe stadsstraten van Torrance, Californië navigeerde.
Het AI Driver-systeem interpreteert het veel voorkomende probleem van stedelijke autonomie als een kwestie van ‘perceptie’ en ‘beleid’ om onderscheid te maken tussen weggeometrie en verkeersregels. OEM’s in de automobielsector hebben dergelijke transparantie en redenering nodig in hun autonome software om van een Level 2-implementatie naar Level 3- en 4-implementaties te gaan.
“Door een visionair systeem te bieden dat vandaag de dag geavanceerde Level 2+ aanstuurt en dient als het softwarebrein voor de transitie naar Level 3 en Level 4 autonomie, bieden we OEM’s de enige realistische weg om autonomie van de volgende generatie in te zetten op computerplatforms voor de massa”, aldus Voroninski.
Voor het realiseren van stedelijke capaciteit voor autonome systemen zouden OEM’s normaal gesproken miljarden dollars moeten uitgeven en miljoenen kilometers aan trainingsgegevens nodig hebben. Helm.ai Driver kon echter de volwassenheid van de training bereiken met behulp van slechts 1.000 uur aan rijgegevens uit de echte wereld, dankzij een gepatenteerde, onbewaakte leertechniek genaamd Deep Teaching.
Met Deep Teaching kunnen neurale netwerken rechtstreeks leren van enorme hoeveelheden gegevens. Door deze techniek te koppelen aan geavanceerde semantische simulatie kan het AI Driver-systeem snel trainen op oneindige geometrische scenario’s in plaats van oneindige hoeveelheden fotorealistische onbewerkte pixels te moeten renderen. Dit vermindert de tijd en kosten die gepaard gaan met zelfontwikkeling aanzienlijk.
Kan het alle geografische gebieden aan?
De echte test zal zijn wanneer OEM’s enorme aantallen voertuigen produceren met deze nieuwe autonome systeemtechnologie en deze in verschillende regio’s in het land inzetten. Omdat het autonome systeem zal worden blootgesteld aan nieuwe omgevingen zonder HD-kaarten en handmatige afstemming, zal het met succes door deze onzichtbare gebieden moeten navigeren.
Toen Helm.ai zijn AI-chauffeur in de stad Torrance in het grootstedelijk gebied van Los Angeles inzet, had het geen voorafgaande training op de specifieke wegen in het gebied. Het was in staat om ‘zero-shot’ autonoom rijden uit te voeren door de omliggende geografische gebieden te generaliseren. De succesvolle pilottest heeft aangetoond dat de internationale OEM-partners van Helm.ai niveau 4 kunnen bereiken zonder de hoge kosten van geofencing en gegevensverzameling voor elke stad.
Over Helm.ai
Helm.ai werd in 2016 opgericht met als doel ontwikkeling AI-software voor geavanceerde rijhulpsystemen (ADAS), robotautomatisering en autonoom rijden. Onder leiding van Voroninski als CEO is Helm.ai erin geslaagd om ongeveer $103 miljoen aan financiering op te halen om zijn programma’s voor autonoom rijden en robotica uit te breiden en zijn partnerschappen met internationale autofabrikanten en OEM’s te versterken.
Voroninski studeerde af aan UC Berkeley met een Ph.D. in Wiskunde en studeerde af aan de UCLA met een Bachelor of Science-diploma en een masterdiploma in toegepaste wiskunde. Zijn werkachtergrond omvat onder meer het dienen op de wiskundefaculteit van MIT en het zijn van de hoofdwetenschapper die Sift Security heeft opgericht, een op machine learning gebaseerd cyberbeveiligingsbedrijf.
