Autonomous Vehicles

Los vehículos autónomos (AVs, por sus siglas en inglés), frecuentemente denominados coches autónomos, son sistemas de transporte inteligente capaces de percibir su entorno y operar sin intervención humana. Estos sistemas representan el pináculo de la innovación en AI in automotive, combinando hardware sofisticado con algoritmos de software avanzados para interpretar entornos complejos. El objetivo principal de la tecnología AV es mejorar la seguridad vial minimizando los accidentes causados por errores humanos, además de optimizar la eficiencia del tráfico y proporcionar movilidad a quienes no pueden conducir. En esencia, estos vehículos dependen de la artificial intelligence (AI) para percibir estímulos, procesar información y tomar decisiones de conducción en fracciones de segundo.

Link to this sectionPercepción 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 sensores visuales principales, imitando la vista humana. Los algoritmos procesan las transmisiones de vídeo para reconocer marcas de carril, semáforos y señales.
• LiDAR Technology: La detección y medición por luz (LiDAR) utiliza pulsos láser para crear mapas 3D precisos y de alta resolución del entorno, esenciales para la percepción de 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.

Link to this sectionNiveles 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): Cubriendo los niveles 1 y 2, estos sistemas ayudan con la dirección o la aceleración (por ejemplo, control de crucero adaptativo), pero requieren que el conductor permanezca atento.
• Conditional Automation: En el nivel 3, el vehículo puede manejar la mayoría de las tareas de conducción en condiciones específicas, como atascos en autopistas, pero el humano debe estar listo para tomar el control cuando se le avise.
• High And Full Automation: Los niveles 4 y 5 representan vehículos que pueden operar sin intervención humana. El nivel 4 se limita a áreas geocercadas, mientras que el nivel 5 aspira a la autonomía total en cualquier carretera, requiriendo a menudo un hardware potente de Edge AI.

Link to this sectionAplicaciones reales de la IA#

La tecnología de vehículos autónomos se está implementando actualmente en diversos 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 utilizan predictive modeling para anticipar el comportamiento de peatones y otros conductores en paisajes urbanos complejos.

2. Transporte autónomo: 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 object tracking para navegar por aceras y entregar paquetes, reduciendo el coste y la huella de carbono de la logística.

Link to this sectionDistinguir conceptos relacionados#

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

• Vs. Robotics: Aunque los AVs son técnicamente robots móviles, el campo de la robótica es más amplio y abarca brazos industriales estacionarios y asistentes humanoides. Los AVs están específicamente especializados en 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.
• Vs. Teleoperation: La teleoperación implica que un humano conduce remotamente un vehículo. Por el contrario, los verdaderos AVs dependen de neural networks to make decisions locally. a bordo.

Link to this sectionImplementación de la percepción con YOLO26#

A critical component of any autonomous system is the ability to track objects over time. The following example demonstrates how to use the Ultralytics Platform compatible ultralytics library to perform object tracking on a video, simulating a vehicle's perception system.

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