Autonomous Vehicles

Los vehículos autónomos (AV, por sus siglas en inglés), frecuentemente denominados coches autónomos, son sistemas de transporte inteligentes capaces de detectar su entorno y operar sin intervención humana. Estos sistemas representan la cúspide de la innovación de AI in automotive, combinando hardware sofisticado con algoritmos de software avanzados para interpretar entornos complejos. El objetivo principal de la tecnología de los vehículos autónomos es mejorar la seguridad vial minimizando los accidentes causados por errores humanos, optimizando al mismo tiempo la eficiencia del tráfico y proporcionando movilidad a quienes no pueden conducir. En su núcleo, estos vehículos confieren en la artificial intelligence (AI) para percibir estímulos, procesar información y tomar decisiones de conducción en una fracción de segundo.

Percepción y tecnologías de sensores#

Para que un vehículo autónomo navegue con seguridad, debe poseer una comprensión exhaustiva de su entorno. Esto se logra mediante una capa de percepción que agrega datos de un conjunto de sensores.

• Computer Vision (CV): Las cámaras sirven como los principales sensores visuales, imitando la vista humana. Los algoritmos procesan los flujos de vídeo para reconocer marcas viales, semáforos y señales.
• LiDAR Technology: La tecnología de detección y medición de luz (LiDAR) utiliza pulsos láser para crear mapas 3D precisos y de alta resolución del entorno, fundamentales para la percepción de la profundidad.
• Object Detection: Los modelos de aprendizaje profundo identifican y localizan obstáculos dinámicos. Los modelos de alta velocidad como YOLO26 son cruciales aquí para detectar peatones y otros vehículos con baja latencia.
• Fusión de sensores: Ningún sensor individual es perfecto en todas las condiciones (por ejemplo, las cámaras con niebla). Los algoritmos de fusión combinan datos de cámaras, radar y LiDAR para formar un modelo ambiental robusto.
• Semantic Segmentation: Esta técnica clasifica cada píxel de una imagen, ayudando al vehículo a distinguir entre la superficie transitable de la carretera, las aceras y la vegetación.

Niveles de autonomía#

Las capacidades de los sistemas autónomos se clasifican según los SAE J3016 levels of driving automation, que definen el grado de control informático frente a la intervención humana.

• Advanced Driver Assistance Systems (ADAS): Abarcando los niveles 1 y 2, estos sistemas ayudan con la dirección o la aceleración (por ejemplo, el control de crucero adaptativo), pero exigen que el conductor permanezca atento.
• Conditional Automation: En el nivel 3, el vehículo puede gestionar la mayoría de las tareas de conducción en condiciones específicas, como atascos en autopistas, pero el humano debe estar preparado para tomar el control cuando se le avise.
• High And Full Automation: Los niveles 4 y 5 representan vehículos que pueden funcionar sin intervención humana. El nivel 4 se limita a áreas geovercadas, mientras que el nivel 5 busca la autonomía total en cualquier carretera, requiriendo a menudo un potente hardware de Edge AI.

Aplicaciones reales de la IA#

La tecnología de vehículos autónomos se está implementando actualmente en varios sectores, apoyándose en una intensa computación de machine learning (ML) para gestionar la complejidad del mundo real.

1. Robotaxis: Empresas como Waymo utilizan flotas de vehículos totalmente autónomos para transportar pasajeros en entornos urbanos. Estos vehículos emplean predictive modeling para anticipar el comportamiento de los peatones y otros conductores en complejos paisajes urbanos.

2. Camiones autónomos: La logística de larga distancia se beneficia de la automatización en rutas de autopista predecibles. Innovadores como Aurora desarrollan camiones autónomos que aprovechan la percepción de largo alcance para mejorar la eficiencia del combustible y la seguridad.

3. Entrega de última milla: Pequeños robots autónomos utilizan el object tracking para desplazarse por las aceras y entregar paquetes, reduciendo el coste y la huella de carbono de la logística.

Distinguir conceptos relacionados#

Es importante diferenciar los vehículos autónomos de términos relacionados en los campos de la robótica y la automoción.

• Frente a la Robotics: Aunque los vehículos autónomos son técnicamente robots móviles, el campo de la robótica es más amplio, abarcando brazos industriales estacionarios y asistentes humanoides. Los vehículos autónomos están especializados específicamente para la lógica de transporte.
• Vs. Vehículos conectados (V2X): Los vehículos conectados se comunican entre sí (V2V) y con la infraestructura (V2I) para compartir datos como la velocidad y la ubicación. Un vehículo puede estar conectado sin ser autónomo, aunque la conectividad a menudo mejora la seguridad de los AVs.
• Frente a la Teleoperation: La teleoperación implica que un humano conduzca un vehículo a distancia. En contraste, los auténticos vehículos autónomos confían en neural networks to make decisions locally.

Implementando la percepción con Ultralytics YOLO26#

Un componente fundamental de cualquier sistema autónomo es la capacidad de rastrear objetos a lo largo del tiempo. El siguiente ejemplo demuestra cómo utilizar la biblioteca compatible con Ultralytics Platform ultralytics para realizar el seguimiento de objetos en un vídeo, simulando el sistema de percepción de un vehículo.

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