Foundation Models and Agentic AI for Autonomous Driving: A Systematic Review
Questa revisione sistematica sintetizza oltre 100 lavori per presentare una tassonomia unificata in nove temi che integra i modelli di fondazione, l'IA agentica e i sistemi cooperativi V2X, distinguendosi dalle indagini precedenti affrontando congiuntamente il compromesso ragionamento–efficienza, i gap dalla simulazione alla realtà e la governance della sicurezza all'interno di una prospettiva completa dell'architettura cognitiva per la guida autonoma.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
La strada verso un'auto davvero a guida autonoma è stata a lungo pavimentata con un tipo specifico di ingegneria: una linea di montaggio rigida dove una parte del computer vede il mondo, un'altra parte decide cosa fare e una terza parte sterza il volante. Per anni, questo approccio modulare ha funzionato abbastanza bene da mantenere le auto in movimento, ma ha faticato di fronte alla natura disordinata e imprevedibile della vita reale. Un conducente umano non vede solo un semaforo rosso; comprende il contesto di una zona di lavori in corso, l'intento di un pedone che attraversa con imprudenza e l'urgenza di un'ambulanza in arrivo, il tutto mentre spiega le proprie azioni a un passeggero. Per colmare il divario tra il codice rigido e l'intuizione simile a quella umana, i ricercatori hanno iniziato a rivolgersi a una nuova classe di intelligenza artificiale nota come modelli di fondazione (foundation models). Questi sono sistemi massicci addestrati su enormi quantità di testo e immagini, capaci di comprendere insieme il linguaggio e la visione. Quando applicati alla guida, promettono di trasformare i veicoli da semplici macchine automatizzate in partner cognitivi capaci di ragionare su situazioni di traffico complesse, spiegare le proprie scelte in un linguaggio semplice e adattarsi a scenari che non hanno mai visto prima.
Una revisione completa pubblicata nel settembre 2026 da un team di ricercatori provenienti da istituzioni in India, Malesia, Emirati Arabi Uniti e Arabia Saudita mappa questo panorama in rapido mutamento. Gli autori, guidati da A. Srinivaas e Jeswin K F, non si sono limitati a elencare nuovi gadget; hanno condotto un'analisi sistematica di oltre cento studi recenti per capire come questi potenti modelli di linguaggio e visione stiano venendo intrecciati nel tessuto della guida autonoma. Il loro lavoro rivela che il campo si sta spostando dai sistemi di percezione isolati verso un'architettura cognitiva unificata. In questa nuova visione, l'auto non si limita a reagire ai sensori, ma sta attivamente ragionando sul mondo, usando strumenti per raccogliere informazioni e collaborando con altri veicoli e infrastrutture cittadine per navigare in sicurezza.
La revisione evidenzia un'evoluzione significativa nel modo in cui questi sistemi vengono costruiti. I primi tentativi si affidavano a moduli separati per vedere e pensare, ma l'ultima ricerca si concentra sui modelli Vision-Language-Action (Visione-Linguaggio-Azione). Questi sistemi combinano la capacità di vedere una scena, comprendere il linguaggio che la descrive e controllare direttamente i movimenti del veicolo in un unico processo coeso. Ad esempio, invece di rilevare semplicemente un pedone, un sistema che utilizza questi modelli può comprendere un segnale che dice "Zona Scolastica" e ragionare sul fatto che debba rallentare, anche se il pedone non è ancora visibile. I ricercatori hanno scoperto che framework come DriveMLM e TeLL-Drive stanno già dimostrando la capacità di migliorare il processo decisionale e ridurre il tempo necessario all'auto per "pensare". In un test specifico utilizzando un ambiente di simulazione chiamato CARLA, un modello chiamato DriveMLM ha migliorato i punteggi di guida di 4,7 punti specificamente sul punteggio di guida "CARLA Town05 Long", allineando meglio la sua comprensione visiva con le sue decisioni di pianificazione.
Tuttavia, il percorso verso un futuro completamente autonomo non è privo di ostacoli significativi, e la revisione è attenta a distinguere tra ciò che funziona in una simulazione al computer e ciò che funziona in una strada reale. Gli autori sottolineano un persistente "gap tra simulazione e realtà" (simulation-to-reality gap). Sebbene molti di questi modelli avanzati si comportino in modo impressionante in mondi virtuali come CARLA o nuScenes, spesso faticano quando trasferiti in condizioni reali. Il divario è sostanziale; in alcuni casi, le prestazioni dei sistemi di percezione cooperativa scendono fino al 40 percento quando si passa da un ambiente simulato al mondo reale. Questo accade perché i dati perfetti e prevedibili di una simulazione non possono catturare appieno la caotica imprevedibilità del traffico, del meteo e del comportamento umano reali. Inoltre, le stesse caratteristiche che rendono questi modelli intelligenti — la loro capacità di ragionare attraverso catene di pensiero complesse — li rendono anche lenti. Il tempo necessario a un grande modello linguistico per "pensare" può essere troppo lungo per le decisioni al millisecondo richieste in un'emergenza, creando un difficile compromesso tra intelligenza e velocità.
Un'altra scoperta critica della revisione è la mancanza di un quadro di sicurezza unificato. Attualmente, i controlli di sicurezza, la comunicazione tra i veicoli e l'intelligenza artificiale stessa sono spesso trattati come problemi separati. I ricercatori sostengono che, affinché questi sistemi possano essere affidabili, necessitano di un approccio olistico che integri la verifica della sicurezza direttamente nel processo di ragionamento. Essi osservano che, sebbene siano stati fatti progressi nell'uso dei "digital twins" (gemelli digitali) — repliche virtuali altamente dettagliate delle città — per testare questi sistemi, non esiste un modo standardizzato per misurare quanto da vicino questi mondi digitali corrispondano alla realtà. Senza questo standard, è difficile certificare che un'auto sia veramente sicura per le strade pubbliche. La revisione tocca anche l'emergente concetto di "IA agente" (agentic AI), in cui l'auto agisce come un agente indipendente con memoria e capacità di utilizzare strumenti. Sebbene ciò offra la promessa di veicoli capaci di imparare dall'esperienza e collaborare tra loro, gli autori avvertono che questi sistemi sono ancora agli inizi e affrontano sfide in termini di interoperabilità e affidabilità.
Il documento si conclude delineando una chiara tabella di marcia per il futuro, sottolineando che la prossima generazione di guida autonoma non sarà definita da un singolo progresso, ma dall'integrazione di diverse tecnologie complesse. I ricercatori suggeriscono che il futuro risiede in sistemi ibridi che combinano la velocità dei sistemi di controllo tradizionali con la potenza di ragionamento dei grandi modelli linguistici, il tutto supportato da robuste reti di comunicazione che permettano alle auto di parlare tra loro e con le infrastrutture cittadine. Essi sottolineano che, affinché questi sistemi diventino una realtà, l'industria deve risolvere il problema del rendere questi potenti modelli abbastanza veloci per l'uso in tempo reale, abbastanza sicuri da essere certificati e abbastanza trasparenti da permettere agli esseri umani di fidarsi. Il viaggio da un'auto che segue semplicemente una corsia a una che comprende il mondo e ne ragiona è ben avviato, ma l'ultimo miglio richiede la risoluzione di alcune delle sfide più difficili dell'intelligenza artificiale e dell'ingegneria.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.