Autonomous Vehicles

I veicoli autonomi (AVs), spesso chiamati auto a guida autonoma, sono sistemi di trasporto intelligenti in grado di percepire l'ambiente circostante e funzionare senza l'intervento umano. Questi sistemi rappresentano il culmine dell'innovazione nell'IA per il settore automobilistico, combinando hardware sofisticato con algoritmi software avanzati per interpretare ambienti complessi. L'obiettivo principale della tecnologia AV è migliorare la sicurezza stradale riducendo al minimo gli incidenti causati dall'errore umano, ottimizzando al contempo l'efficienza del traffico e offrendo mobilità a chi non è in grado di guidare. Alla base, questi veicoli si affidano all'intelligenza artificiale (AI) per percepire gli stimoli, elaborare le informazioni e prendere decisioni di guida in una frazione di secondo.

Percezione e tecnologie dei sensori#

Per navigare in sicurezza, un veicolo autonomo deve avere una comprensione completa dell'ambiente circostante. Questo risultato viene ottenuto tramite un livello di percezione che aggrega i dati provenienti da una serie di sensori.

• Visione artificiale (CV): le telecamere fungono da sensori visivi principali, imitando la vista umana. Gli algoritmi elaborano i flussi video per riconoscere la segnaletica orizzontale, i semafori e i cartelli stradali.
• Tecnologia LiDAR: il rilevamento e la misurazione della distanza tramite luce (LiDAR) utilizza impulsi laser per creare mappe 3D precise e ad alta risoluzione dell'ambiente, essenziali per la percezione della profondità.
• Rilevamento degli oggetti: i modelli di deep learning identificano e localizzano gli ostacoli dinamici. I modelli ad alta velocità come YOLO26 sono fondamentali in questo ambito per rilevare pedoni e altri veicoli con una bassa latenza.
• Fusione dei sensori: nessun singolo sensore è perfetto in tutte le condizioni (ad esempio, le telecamere nella nebbia). Gli algoritmi di fusione combinano i dati provenienti da telecamere, radar e LiDAR per creare un modello robusto dell'ambiente.
• Segmentazione semantica: questa tecnica classifica ogni pixel di un'immagine, aiutando il veicolo a distinguere tra la superficie stradale percorribile, i marciapiedi e la vegetazione.

Livelli di autonomia#

Le funzionalità dei sistemi autonomi sono categorizzate in base ai livelli di automazione della guida SAE J3016, che definiscono il grado di controllo del computer rispetto all'intervento umano.

• Sistemi avanzati di assistenza alla guida (ADAS): comprendendo i Livelli 1 e 2, questi sistemi assistono nelle operazioni di sterzata o accelerazione (ad esempio, il controllo adattivo della velocità di crociera), ma richiedono che il conducente rimanga vigile.
• Automazione condizionata: al Livello 3, il veicolo può gestire la maggior parte delle attività di guida in condizioni specifiche, come gli ingorghi autostradali, ma il conducente deve essere pronto a riprendere il controllo quando viene avvisato.
• Automazione elevata e completa: i Livelli 4 e 5 rappresentano veicoli in grado di operare senza input umano. Il Livello 4 è limitato ad aree geografiche definite, mentre il Livello 5 punta alla piena autonomia su qualsiasi strada e spesso richiede hardware potente per Edge AI.

Applicazioni dell'AI nel mondo reale#

La tecnologia dei veicoli autonomi è attualmente impiegata in vari settori e si basa su un'intensa elaborazione di apprendimento automatico (ML) per gestire la complessità del mondo reale.

1. Robotaxi: aziende come Waymo utilizzano flotte di veicoli completamente autonomi per trasportare passeggeri negli ambienti urbani. Questi veicoli usano la modellazione predittiva per anticipare il comportamento dei pedoni e degli altri conducenti nei complessi paesaggi urbani.

2. Trasporto merci autonomo: la logistica a lunga percorrenza beneficia dell'automazione sui percorsi autostradali prevedibili. Aziende innovative come Aurora sviluppano camion a guida autonoma che sfruttano la percezione a lungo raggio per migliorare l'efficienza dei consumi e la sicurezza.

3. Consegne dell'ultimo miglio: piccoli robot autonomi usano il tracciamento degli oggetti per muoversi sui marciapiedi e consegnare pacchi, riducendo i costi e l'impronta di carbonio della logistica.

Distinzione tra concetti correlati#

È importante distinguere i veicoli autonomi dai termini correlati nei settori della robotica e dell'automotive.

• Rispetto alla robotica: sebbene gli AV siano tecnicamente robot mobili, il campo della robotica è più ampio e comprende bracci industriali fissi e assistenti umanoidi. Gli AV sono specializzati specificamente nella logica dei trasporti.
• Rispetto ai veicoli connessi (V2X): i veicoli connessi comunicano tra loro (V2V) e con le infrastrutture (V2I) per condividere dati come velocità e posizione. Un veicolo può essere connesso senza essere autonomo, anche se la connettività spesso migliora la sicurezza degli AV.
• Rispetto alla teleoperazione: la teleoperazione prevede che una persona guidi un veicolo da remoto. Al contrario, i veri AV si affidano alle reti neurali di bordo per prendere decisioni localmente.

Implementazione della percezione con Ultralytics YOLO26#

Una componente critica di qualsiasi sistema autonomo è la capacità di tracciare gli oggetti nel tempo. L'esempio seguente mostra come utilizzare la libreria ultralytics compatibile con la Ultralytics Platform per eseguire il tracciamento degli oggetti in un video, simulando il sistema di percezione di un veicolo.

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