Autonomous Vehicles

Autonome Fahrzeuge (AVs), häufig auch als selbstfahrende Autos bezeichnet, sind intelligente Verkehrssysteme, die ihre Umgebung wahrnehmen und ohne menschliches Eingreifen betrieben werden können. Diese Systeme stellen den Höhepunkt der Innovation im Bereich KI im Automobilbereich dar, indem sie hochentwickelte Hardware mit fortschrittlichen Softwarealgorithmen kombinieren, um komplexe Umgebungen zu interpretieren. Das vorrangige Ziel der AV-Technologie besteht darin, die Verkehrssicherheit durch die Verringerung menschlich verursachter Unfälle zu erhöhen, gleichzeitig die Verkehrseffizienz zu optimieren und Menschen, die nicht selbst fahren können, Mobilität zu ermöglichen. Im Kern greifen diese Fahrzeuge auf künstliche Intelligenz (AI) zurück, um Reize wahrzunehmen, Informationen zu verarbeiten und in Sekundenbruchteilen Fahrentscheidungen zu treffen.

Wahrnehmungs- und Sensortechnologien#

Damit ein autonomes Fahrzeug sicher navigieren kann, muss es seine Umgebung umfassend verstehen. Dies wird durch eine Wahrnehmungsschicht erreicht, die Daten aus einer Reihe von Sensoren zusammenführt.

• Computervision (CV): Kameras dienen als primäre visuelle Sensoren und ahmen das menschliche Sehen nach. Algorithmen verarbeiten Videodaten, um Fahrbahnmarkierungen, Ampeln und Verkehrsschilder zu erkennen.
• LiDAR-Technologie: Lichterkennung und Entfernungsmessung (LiDAR) verwendet Laserpulse, um präzise, hochauflösende 3D-Karten der Umgebung zu erstellen, die für die Tiefenwahrnehmung unerlässlich sind.
• Objekterkennung: Deep-Learning-Modelle identifizieren dynamische Hindernisse und bestimmen deren Position. Schnelle Modelle wie YOLO26 sind hierbei entscheidend, um Fußgänger und andere Fahrzeuge mit geringer Latenz zu erkennen.
• Sensorfusion: Kein einzelner Sensor funktioniert unter allen Bedingungen perfekt, beispielsweise Kameras bei Nebel. Fusionsalgorithmen kombinieren Daten von Kameras, Radar und LiDAR, um ein robustes Umgebungsmodell zu erstellen.
• Semantische Segmentierung: Diese Technik klassifiziert jedes Pixel eines Bildes und hilft dem Fahrzeug, zwischen befahrbarer Straßenoberfläche, Gehwegen und Vegetation zu unterscheiden.

Autonomiestufen#

Die Fähigkeiten autonomer Systeme werden anhand der SAE J3016-Stufen der Fahrzeugsautomatisierung kategorisiert, die den Umfang der Computersteuerung im Verhältnis zum menschlichen Eingreifen definieren.

• Fortschrittliche Fahrerassistenzsysteme (ADAS): Diese Systeme decken die Stufen 1 und 2 ab und unterstützen beim Lenken oder Beschleunigen, beispielsweise durch eine adaptive Geschwindigkeitsregelung, erfordern jedoch, dass der Fahrer aufmerksam bleibt.
• Bedingte Automatisierung: Auf Stufe 3 kann das Fahrzeug unter bestimmten Bedingungen, etwa bei einem Stau auf der Autobahn, die meisten Fahraufgaben übernehmen. Der Mensch muss jedoch bereit sein, auf Aufforderung die Kontrolle zu übernehmen.
• Hohe und vollständige Automatisierung: Die Stufen 4 und 5 stehen für Fahrzeuge, die ohne menschliche Eingaben betrieben werden können. Stufe 4 ist auf geografisch abgegrenzte Bereiche beschränkt, während Stufe 5 vollständige Autonomie auf jeder Straße anstrebt und häufig leistungsstarke KI-Hardware für Edge-Anwendungen erfordert.

KI-Anwendungen in der Praxis#

Die Technologie für autonome Fahrzeuge wird derzeit in verschiedenen Bereichen eingesetzt und stützt sich auf umfangreiche Berechnungen mit maschinellem Lernen (ML), um die Komplexität der realen Welt zu bewältigen.

1. Robotaxis: Unternehmen wie Waymo setzen Flotten vollständig autonomer Fahrzeuge ein, um Fahrgäste in städtischen Umgebungen zu befördern. Diese Fahrzeuge verwenden prädiktive Modelle, um das Verhalten von Fußgängern und anderen Fahrern in komplexen Stadtlandschaften vorherzusehen.

2. Autonomer Güterverkehr: Die Logistik über lange Strecken profitiert von der Automatisierung auf vorhersehbaren Autobahnrouten. Innovative Unternehmen wie Aurora entwickeln selbstfahrende Lastwagen, die ihre weitreichende Wahrnehmung nutzen, um Kraftstoffeffizienz und Sicherheit zu verbessern.

3. Lieferung auf der letzten Meile: Kleine autonome Roboter nutzen Objektverfolgung, um Gehwege zu befahren und Pakete auszuliefern, wodurch Kosten und CO₂-Fußabdruck der Logistik reduziert werden.

Verwandte Konzepte unterscheiden#

Es ist wichtig, autonome Fahrzeuge von verwandten Begriffen aus den Bereichen Robotik und Automobiltechnik zu unterscheiden.

• Im Vergleich zu Robotik: Obwohl AVs technisch gesehen mobile Roboter sind, ist das Gebiet der Robotik umfassender und schließt stationäre Industrieroboter sowie humanoide Assistenten ein. AVs sind speziell auf die Logik des Transports ausgerichtet.
• Im Vergleich zu vernetzten Fahrzeugen (V2X): Vernetzte Fahrzeuge kommunizieren miteinander (V2V) und mit der Infrastruktur (V2I), um Daten wie Geschwindigkeit und Standort auszutauschen. Ein Fahrzeug kann vernetzt sein, ohne autonom zu sein, auch wenn die Vernetzung die Sicherheit von AVs häufig erhöht.
• Im Vergleich zu Teleoperation: Bei der Teleoperation steuert ein Mensch ein Fahrzeug aus der Ferne. Echte AVs hingegen verlassen sich auf neuronale Netze, die Entscheidungen lokal treffen.

Wahrnehmung mit Ultralytics YOLO26 implementieren#

Eine entscheidende Komponente jedes autonomen Systems ist die Fähigkeit, Objekte über einen längeren Zeitraum zu verfolgen. Das folgende Beispiel zeigt, wie du die mit der Ultralytics Platform kompatible Bibliothek ultralytics verwenden kannst, um die Objektverfolgung in einem Video durchzuführen und so das Wahrnehmungssystem eines Fahrzeugs zu simulieren.

from ultralytics import YOLO

# Load the YOLO26 model, optimized for speed and accuracy
model = YOLO("yolo26n.pt")

# Track vehicles and pedestrians in a video stream
# This simulates the continuous perception required by an AV
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    show=True,
)

# Process results (e.g., counting objects or estimating speed)
for r in results:
    print(r.boxes.xywh)  # Print bounding box coordinates