Vägen mot bilen som kör sig själv

Idén om självkörande bilar är på många sätt sinnebilden för hur teknisk utveckling för oss från nutid till framtid. Trots att idén är gammal har år av förseningar och regulatoriska hinder bromsat utvecklingen i Europa. Frågan är hur mycket längre vi behöver vänta.

– Jag fick den frågan för 15 år sedan och sade då att vi skulle ha självkörande bilar på plats om 10 år. Det har vi fortfarande inte, trots att tekniken i dag i stort sett faktiskt är på plats, säger Cristofer Englund, akademichef för informationsteknologi vid Högskolan i Halmstad med flerårig erfarenhet av forskning på autonoma fordon på forskningsinstitutet Rise.

Men bilkörning handlar inte bara om att se och styra. Det handlar också om att förstå världen runt omkring. Det har visat sig vara svårare än man trott, menar Cristofer Englund.

– En människa som tar körkort vid 18 års ålder har inte bara övningskört i ett år. Hon har cyklat, sprungit och ramlat. Hon vet hur ont det gör att slå sig. Hon har 18 års samlad erfarenhet av en fysisk verklighet som hon tar med sig bakom ratten utan att tänka på det, säger han.

För att kunna motsvara sådan medvetenhet har företag de senaste 10 åren grävt både djupt och brett i teknikens värld.

– De utforskar allt från lasrar och radiovågor till kameror och AI, säger Cristofer Englund.

Men valet av sensorer handlar inte bara om vad som fungerar bäst, utan också om vilka system som kan skalas globalt och omvandlas till mjukvarubaserade intäktsmodeller. I praktiken står bilindustrin inför samma skifte som mobilbranschen gjorde när hårdvara blev sekundär och värdet flyttade till uppdateringar, data och abonnemang.

Det är i denna trevägskorsning – mellan teknik, affärslogik och reglering – som jakten på självkörningen nu ställs på sin spets.

Så fungerar tekniken

För att en förarlös bil ska kunna navigera genom varierade trafiksituationer krävs ett tekniskt system som fullt ut ersätter – och helst överträffar – människans förmåga att uppfatta omgivningen, fatta rationella beslut och kontrollera bilen.

Styrningen är det minsta problemet. Att få ett fordon att följa en given bana är sedan länge ett löst ingenjörsproblem. Även beslutsfattandet mäktar dagens AI-teknik någorlunda med, så länge situationen är väldefinierad och underlaget från sensorerna är tillräckligt bra.

Den stora utmaningen är just att läsa av och tolka omgivningen. Det handlar inte bara om att förmå tekniken att registrera omgivningen tekniskt, genom att identifiera objekt eller mäta avstånd, utan om att förstå den rent semantiskt.

Vad menar den där fotgängaren med sin rörelse? Med den frågan beskriver Martin Törngren problematiken. Han är professor i inbyggda styrsystem vid KTH och en av Sveriges ledande experter på säkerhet i autonoma fordon.

– Tänk dig en hastighetsskylt där ett blött löv täcker en del av skylten. En människa uppfattar det på en gång. Men har du inte tränat bilens maskininlärningssystem på just den variationen kan det missa det helt, säger Martin Törngren.

Det räcker alltså inte med ett tillräckligt bra dataunderlag. Systemet måste också kunna resonera under osäkerhet och i situationer det aldrig tränats på, och frågan om hur det ska gå till har splittrat branschen.

Tre vägval

I grunden finns det tre olika perceptionstekniska spår: kamera, radar och lidar.

Kameran ser världen i stort sett som människan. Den fångar ljus och färg i tvådimensionella bilder, som sedan analyseras av avancerad mjukvara. Fördelen med kameror är deras unika förmåga att beskriva sammanhang – att läsa vägskyltar, tyda text på vägbanan och uppfatta färgen på trafikljus.

– Men precis som ögon kan kameror bländas av ljus eller begränsas av mörker, säger Jonas Mårtensson, professor i reglerteknik vid KTH.

Dessutom kräver systemet en enorm mängd datorkraft, eftersom bilens dator ständigt måste tolka bilderna för att beräkna exakta avstånd utifrån helt platta bilder.

Lidar skannar i stället omgivningen i tre dimensioner genom att skicka ut miljontals osynliga laserpulser per sekund. Genom att mäta hur lång tid det tar för strålarna att träffa omgivningen och återvända, kan systemet skapa en perfekt, tredimensionell punktkarta över bilens miljö.

– Det kan man inte göra med kameror. De jämför i stället bilder med varandra, lite som stereoseende, och räknar på så sätt ut hur långt bort föremål är, säger Jonas Mårtensson.

Nackdelen är att laserstrålarna presterar sämre i kraftigt regn, snöfall eller tät dimma. Då reflekteras ljuset av partiklarna i luften i stället för av de faktiska hindren.

– Men lidar fungerar väl i mörker och är mindre känsligt för bländande ljus än kameror, säger Jonas Mårtensson.

Radarn skickar i stället ut radiovågor. När vågorna studsar tillbaka kan radarn med stor precision mäta både avstånd och hastighet hos rörliga objekt. Väder och vind spelar ingen roll. Radarn ser precis lika bra i kraftigt snöfall som totalt mörker.

Svagheten är att radarn saknar förmåga att urskilja detaljer. En stillastående människa kan lätt uppfattas som en lyktstolpe. Och precis som lidar kan radarn inte avgöra vilken färg ett trafikljus visar.

Mot den bakgrunden är det inte svårt att förstå varför de flesta företag har valt att kombinera de olika teknikerna. Alla utom Tesla.

Autonomy Day-utspelet

Det är april 2019. På en liten scen inne i Teslas huvudkontor i Palo Alto står Elon Musk med armarna i kors och ser trotsig ut. I salen sitter företrädare för bolag som satsat hundratals miljoner dollar på vad alla tror kommer att bli industrins lösning på perceptionsproblemet – lidar.

Han ska snart leverera ett utspel som omedelbart kommer att bli bevingat i branschen. Där och då uppfattades det som ett uttryck för total arrogans – i dag kanske som ett tecken på potentiellt geni.

”Lidar är dårens vägval”, säger han. ”Den som förlitar sig på lidar är dömd. Dömd!”

Ett osäkert sorl går genom publiken. Åhörarna skruvar på sig. Skepsisen är påtaglig.

Till skillnad från resten av branschen ska Elon Musks system för självkörning förlita sig enbart på kameror och djupinlärning.

Teslas dåvarande AI-chef Andrej Karpathy motiverar beslutet: Lidar, menar han, ”kringgår det fundamentala problemet – visuell igenkänning – som är nödvändigt för verklig autonomi. Det ger en falsk känsla av framsteg.”

Efteråt blir reaktionerna hårda. Forskare ifrågasätter om kameror verkligen kan ge tillräcklig djupinformation i mörker och dåligt väder. Konkurrenter avfärdar utspelet som marknadsföring.

– Vetenskapen är ganska tydlig, säger Martin Törngren. I dag räcker det inte med enbart kameror – det behövs en kombination. De har olika styrkor och är robusta på olika sätt.

Problem, problem och åter problem

Problemet ligger i djupinlärningens grundläggande natur. Systemen är extremt kraftfulla, men samtidigt sköra i nya situationer.

– Det finns ett känt exempel med en Tesla som körde rakt igenom en stor duk som målats för att likna en väg. Bilen uppfattade helt enkelt inte duken som ett objekt, berättar Martin Törngren.

Det är bara ett av många dokumenterade fall där självkörande bilar tagit felaktiga beslut.

– Djupinlärning kan nå en tillförlitlighet på kanske 95–97 procent, menar Martin Törngren. Det är fantastiskt bra om du brainstormar eller löser uppgifter med en språkmodell. Men 97 procent ute i trafiken är rysligt dåligt jämfört med vad en människa fixar i genomsnitt.

Även Teslas största konkurrent Waymo, som använder en kombination av lidar, radar och kameror, har stött på problem i trafiken. Företaget är störst i USA på så kallade robottaxibilar, med över 14 miljoner förarlösa resor bara under 2025.

– Waymobilar har exempelvis kört ner i stora vattenpölar vid översvämningar. De ser en yta men förstår inte riktigt vad det är. Ändå är de utrustade med både kamera, radar och lidar.

Vid en annan incident bröt ett Waymofordon mot lagen och körde förbi en skolbuss som stannat och släppt av barn, och ett barn blev påkört.

– Då sade Waymo: ”Ja, men vi bromsade mycket snabbare än människor hade gjort– det är aktiv säkerhet.” Men en erfaren förare hade inte hållit den hastigheten förbi en parkerad skolbuss. Det är faktisk säkerhet. Och dit har tekniken ännu inte nått.

Det finns också skillnader mellan hur de olika systemen kan användas för att lösa perceptionsproblemet i stor skala. Lidar är mycket effektivt i redan kartlagda miljöer men kan inte skalas med mjukvara på samma sätt som Teslas kameror.

Teslas kameror blir däremot smartare för varje mil som bilarna kör. Med över en miljon fordon på världens vägar samlar Tesla in mer kördata varje dag än vad konkurrenternas testflottor tillsammans har hunnit med sedan projekten sjösattes.

Ett lidarsystem vet alltså exakt vad som finns på varje gata i San Francisco. Teslas kamerasystem vet ungefär vad som finns på alla gator överallt.

Dessutom kostar varje lidarsensor uppemot tiotusentals dollar. För samma pris kan man köpa många kameror. Det är inte enbart ett teknologiskt argument, det är skalekonomiskt.

– Tesla var nog smarta när företaget valde att satsa på kameror, säger Cristofer Englund.

Tesla gasar, konkurrenterna bromsar

Den 11 april 2026 plingade det till i tusentals telefoner i Nederländerna. I notisen från Tesla stod det ”Full Self-Driving (Supervised) is nu beschikbaar”.

Godkännandet kom från den holländska trafikmyndigheten RDW. Sedan dess har en dominoeffekt satt i gång inom EU. Litauen, Estland, Belgien och Danmark följde inom några veckor.

FSD-abonnenter i dessa länder kan beställa systemet genom en trådlös uppdatering – utan att en enda skruv byts i bilen. I gengäld betalar de 99 dollar i månaden. Med miljontals bilar på vägarna innebär det en potentiellt enorm källa till återkommande intäkter.

De Teslabilar som i dag skjutsar runt sina ägare i Amsterdam kategoriseras under nivå 2 på Society of Automotive Engineers femgradiga skala som beskriver ett fordons självkörande förmåga.

– Det innebär att föraren alltid bär ansvaret och ska kunna gripa in när det behövs, säger Jonas Mårtensson.

Men systemet skiljer sig från konkurrenternas nivå 2-system. Volvos Pilot Assist, GM:s Super Cruise och Mercedes Driver Assistance kombinerar kameror med radar. Systemen håller bilen i körfältet och kontrollerar avstånd och hastighet. De fungerar på motorvägar och i kartlagda miljöer, men inte mycket mer.

Teslas FSD är något annat. Systemet försöker hantera hela köruppgiften i alla miljöer: stadskörning, korsningar, vänstersvängar, rondeller, trafikljus, parkeringsmanövrar. Utan kartbegränsningar, så kallade geostaket.

Ett enda neuralt nätverk omvandlar råa kamerabilder till körbeslut med hjälp av kördata från hela Teslaflottan. Det förhandlar med andra trafikanter, kryper fram i korsningar och väljer körfält dynamiskt.

– Det går att visa fantastiska framgångar med tränade system. Men transparensen blir ett problem. Hur förstår man vad som händer inuti? Och om man tränar med nya data hela tiden – hur gör man verifieringen då? poängterar Jonas Mårtensson.

Det är kärnan i den vetenskapliga invändningen mot Teslas strategi. Ett system som tränas snarare än programmeras blir något av en svart låda. Det går inte att läsa koden och förstå exakt varför systemet gör som det gör.

– Felen kommer på sätt som är svåra att förutse eller förklara i förväg. Om du ändrar någonting i systemet börjar det resonera på ett nytt sätt. Varken du eller systemet vet riktigt varför. Det är svårt att göra robust och ännu svårare att verifiera, säger Martin Törngren.

Detta skapar också ett annat dilemma. Ju bättre systemet är, desto farligare är det också att lägga ansvaret på föraren, menar Martin Törngren.

– Det blir komplicerat när automationen blir tillräckligt bra. Föraren slappnar av, börjar titta på film, och så händer något – då är personen inte redo att ta över.

Att systemet hamnar på nivå 2 beror därför främst på att det juridiskt är mycket enklare att lansera i Europa än ett system på nivå 3, där tillverkaren tar ansvar för vad bilen gör. Det var precis vad Mercedes försökte göra med sitt lidarbaserade system Drive Pilot.

Åren 2022–2023 var Drive Pilot världens första nivå 3-system i serieproduktion. Systemet förlitade sig på lidarsensorer från Luminar, som gick i konkurs.

Mercedes tvingades avveckla leverantörsavtalet 2024. I januari 2026 lanserade företaget en ny satsning, Drive Assist Pro, som förlitar sig på kameror, radar och ultraljud.

Mercedes talesperson Tobias Mueller sammanfattade logiken: ”Vi vill inte erbjuda ett system som kunderna inte ser stora fördelar med, när vi vet att ett bättre system kommer inom två–tre år.”

Det var ett öppet erkännande av att satsningen på lidar inte höll.

Bilen som aldrig blir färdig

En Teslaägare i Amsterdam eller Köpenhamn som ansluter laddsladden på kvällen kan stiga upp dagen efter och koppla loss samma laddsladd från en delvis förändrad bil.

Det är denna tekniska förändring som håller på att omdefiniera bilen. Den är inte längre en färdig produkt när den lämnar fabriken, utan en digital plattform som fortsätter att utvecklas genom nya funktioner och uppdateringar. Därmed avgörs bilens värde inte bara av hårdvaran, utan också av mjukvaran och hur den förbättras under ägandet. Om Tesla har rätt förändras därför inte bara bilen som teknik – hela bilindustrins sätt att skapa värde och tjäna pengar förändras.

Om företaget har fel återstår att se. Martin Törngren är inte övertygad om att Tesla har hittat rätt väg.

– I dagsläget, för att bygga ett pålitligt system som är tillräckligt säkert, behövs alla tre sensorer, säger han.

Och det återstående problemet är inte heller någon finjustering.

– För att självkörande bilar ska bli kostnadseffektiva i stor skala behövs sannolikt ytterligare ett genombrott inom AI – så att systemen verkligen kan förstå den komplexa omgivningen, säger han.

Jakten på självkörningen är inte över. Men just nu är det Tesla som rullar mest, medan de andra mest väntar.