Autonomous Vehicles

Autonome Fahrzeuge (AVs), häufig als selbstfahrende Autos bezeichnet, sind intelligente Transportsysteme, die ihre Umgebung wahrnehmen und ohne menschliches Eingreifen operieren können. Diese Systeme repräsentieren den Höhepunkt der Innovation im Bereich AI in automotive und kombinieren hochentwickelte Hardware mit fortschrittlichen Softwarealgorithmen, um komplexe Umgebungen zu interpretieren. Das Hauptziel der AV-Technologie besteht darin, die Verkehrssicherheit durch die Minimierung von Unfällen aufgrund menschlichen Versagens zu erhöhen, während gleichzeitig die Verkehrseffizienz optimiert und Personen, die nicht selbst fahren können, Mobilität geboten wird. Im Kern verlassen sich diese Fahrzeuge auf artificial intelligence (AI), um Reize wahrzunehmen, Informationen zu verarbeiten und Entscheidungen in Sekundenbruchteilen zu treffen.

Link to this sectionWahrnehmungs- und Sensortechnologien#

Damit ein autonomes Fahrzeug sicher navigieren kann, muss es ein umfassendes Verständnis seiner Umgebung besitzen. Dies wird durch eine Wahrnehmungsebene erreicht, die Daten von einer Reihe von Sensoren zusammenführt.

• Computer Vision (CV): Kameras dienen als primäre visuelle Sensoren und ahmen das menschliche Sehvermögen nach. Algorithmen verarbeiten Video-Feeds, um Fahrbahnmarkierungen, Ampeln und Schilder zu erkennen.
• LiDAR Technology: Light Detection and Ranging (LiDAR) nutzt Laserpulse, um präzise, hochauflösende 3D-Karten der Umgebung zu erstellen, was für die Tiefenwahrnehmung unerlässlich ist.
• Object Detection: Deep-Learning-Modelle identifizieren und lokalisieren dynamische Hindernisse. Hochgeschwindigkeitsmodelle wie YOLO26 sind hier entscheidend, um Fußgänger und andere Fahrzeuge mit geringer Latenz zu erkennen.
• Sensor Fusion: Kein einzelner Sensor ist unter allen Bedingungen perfekt (z. B. Kameras bei Nebel). Fusionsalgorithmen kombinieren Daten von Kameras, Radar und LiDAR, um ein robustes Umweltmodell zu bilden.
• Semantic Segmentation: Diese Technik klassifiziert jedes Pixel in einem Bild und hilft dem Fahrzeug, zwischen befahrbarer Straßenoberfläche, Gehwegen und Vegetation zu unterscheiden.

Link to this sectionAutonomiestufen#

Die Fähigkeiten autonomer Systeme werden nach den SAE J3016 levels of driving automation kategorisiert, welche das Ausmaß der Computersteuerung im Vergleich zum menschlichen Eingreifen definieren.

• Advanced Driver Assistance Systems (ADAS): Diese Systeme decken die Stufen 1 und 2 ab und unterstützen beim Lenken oder Beschleunigen (z. B. adaptiver Tempomat), erfordern jedoch, dass der Fahrer aufmerksam bleibt.
• Conditional Automation: Auf Stufe 3 kann das Fahrzeug die meisten Fahraufgaben unter bestimmten Bedingungen bewältigen, wie zum Beispiel bei Autobahnstaus, aber der Mensch muss bereit sein, bei einer Aufforderung die Kontrolle zu übernehmen.
• High And Full Automation: Die Stufen 4 und 5 stehen für Fahrzeuge, die ohne menschliches Eingreifen operieren können. Stufe 4 ist auf geofenced Bereiche beschränkt, während Stufe 5 auf volle Autonomie auf jeder Straße abzielt, was oft leistungsstarke Edge AI Hardware erfordert.

Link to this sectionKI-Anwendungen in der Praxis#

Die Technologie autonomer Fahrzeuge wird derzeit in verschiedenen Sektoren eingesetzt und stützt sich auf intensive machine learning (ML) Berechnungen, um die Komplexität der realen Welt zu bewältigen.

1. Robotaxis: Unternehmen wie Waymo nutzen Flotten vollständig autonomer Fahrzeuge, um Passagiere in städtischen Umgebungen zu befördern. Diese Fahrzeuge verwenden predictive modeling, um das Verhalten von Fußgängern und anderen Fahrern in komplexen Stadtlandschaften vorherzusehen.

2. Autonomes Trucking: Die Logistik im Fernverkehr profitiert von der Automatisierung auf vorhersehbaren Autobahnrouten. Innovatoren wie Aurora entwickeln selbstfahrende Lkw, die weitreichende Wahrnehmung nutzen, um die Kraftstoffeffizienz und Sicherheit zu verbessern.

3. Last-Mile Delivery: Kleine, autonome Roboter nutzen object tracking, um auf Gehwegen zu navigieren und Pakete auszuliefern, was die Kosten und den ökologischen Fußabdruck der Logistik reduziert.

Link to this sectionUnterscheidung verwandter Konzepte#

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

• Vs. Robotics: Während AVs technisch gesehen mobile Roboter sind, ist das Feld der Robotik breiter gefasst und umfasst stationäre Industrieroboterarme und humanoide Assistenten. AVs sind speziell auf die Transportlogik spezialisiert.
• Vs. Connected Vehicles (V2X): Vernetzte Fahrzeuge kommunizieren untereinander (V2V) und mit der Infrastruktur (V2I), um Daten wie Geschwindigkeit und Standort auszutauschen. Ein Fahrzeug kann vernetzt sein, ohne autonom zu sein, obwohl Konnektivität die Sicherheit von AVs oft erhöht.
• Vs. Teleoperation: Teleoperation beinhaltet, dass ein Mensch ein Fahrzeug aus der Ferne steuert. Im Gegensatz dazu setzen echte AVs auf neuronale Netzwerke an Bord, um Entscheidungen lokal zu treffen.

Link to this sectionImplementierung der Wahrnehmung mit YOLO26#

Eine kritische Komponente jedes autonomen Systems ist die Fähigkeit, Objekte über die Zeit zu verfolgen. Das folgende Beispiel zeigt, wie du die mit der Ultralytics Platform kompatible ultralytics-Bibliothek verwendest, um eine 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