Autonomous Vehicles

I veicoli autonomi (AV), spesso chiamati auto a guida autonoma, sono sistemi di trasporto intelligenti in grado di rilevare l'ambiente circostante e operare senza intervento umano. Questi sistemi rappresentano l'apice dell'innovazione nell'AI in automotive, combinando hardware sofisticato con algoritmi software avanzati per interpretare scenari complessi. L'obiettivo principale della tecnologia AV è migliorare la sicurezza stradale riducendo al minimo gli incidenti causati da errore umano, ottimizzando al contempo l'efficienza del traffico e fornendo mobilità a chi non può guidare. Fondamentalmente, questi veicoli si basano sull'intelligenza artificiale (AI) per percepire stimoli, elaborare informazioni e prendere decisioni di guida in frazioni di secondo.

Link to this sectionPercezione e Tecnologie di Sensori#

Affinché un veicolo autonomo possa navigare in sicurezza, deve possedere una comprensione completa dell'ambiente circostante. Ciò si ottiene attraverso un livello di percezione che aggrega i dati provenienti da una suite di sensori.

• Computer Vision (CV): Le telecamere fungono da sensori visivi primari, imitando la vista umana. Gli algoritmi elaborano i feed video per riconoscere segnaletica orizzontale, semafori e cartelli stradali.
• Tecnologia LiDAR: Il Light Detection and Ranging (LiDAR) utilizza impulsi laser per creare mappe 3D precise e ad alta risoluzione dell'ambiente, essenziali per la percezione della profondità.
• Object Detection: I modelli di deep learning identificano e localizzano ostacoli dinamici. Modelli ad alta velocità come YOLO26 sono cruciali in questo contesto per rilevare pedoni e altri veicoli con bassa latenza.
• Sensor Fusion: Nessun singolo sensore è perfetto in tutte le condizioni (ad esempio, le telecamere in caso di nebbia). Gli algoritmi di fusione combinano i dati provenienti da telecamere, radar e LiDAR per formare un modello ambientale robusto.
• Semantic Segmentation: Questa tecnica classifica ogni pixel in un'immagine, aiutando il veicolo a distinguere tra la superficie stradale percorribile, i marciapiedi e la vegetazione.

Link to this sectionLivelli di Autonomia#

Le capacità dei sistemi autonomi sono classificate secondo i livelli di automazione alla guida SAE J3016, che definiscono l'estensione del controllo informatico rispetto all'intervento umano.

• Advanced Driver Assistance Systems (ADAS): Coprendo i livelli 1 e 2, questi sistemi assistono con lo sterzo o l'accelerazione (ad esempio, il cruise control adattivo) ma richiedono che il conducente rimanga concentrato.
• Automazione Condizionale: Al livello 3, il veicolo può gestire la maggior parte delle attività di guida in condizioni specifiche, come negli ingorghi autostradali, ma l'umano deve essere pronto a prendere il controllo quando viene avvisato.
• Automazione Alta e Completa: I livelli 4 e 5 rappresentano veicoli in grado di operare senza input umano. Il livello 4 è limitato ad aree geo-recintate, mentre il livello 5 mira alla piena autonomia su qualsiasi strada, richiedendo spesso un potente hardware Edge AI.

Link to this sectionApplicazioni AI nel Mondo Reale#

La tecnologia dei veicoli autonomi è attualmente implementata in vari settori, basandosi su pesanti calcoli di machine learning (ML) per gestire la complessità del mondo reale.

1. Robotaxi: Aziende come Waymo utilizzano flotte di veicoli completamente autonomi per trasportare passeggeri in ambienti urbani. Questi veicoli utilizzano la predictive modeling per anticipare il comportamento di pedoni e altri conducenti in contesti cittadini complessi.

2. Autotrasporto Autonomo: La logistica a lungo raggio beneficia dell'automazione su rotte autostradali prevedibili. Innovatori come Aurora sviluppano camion a guida autonoma che sfruttano la percezione a lungo raggio per migliorare l'efficienza del carburante e la sicurezza.

3. Consegna dell'Ultimo Miglio: Piccoli robot autonomi utilizzano l'object tracking per navigare sui marciapiedi e consegnare pacchi, riducendo il costo e l'impronta di carbonio della logistica.

Link to this sectionDistinguere concetti correlati#

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

• Vs. Robotica: Sebbene gli AV siano tecnicamente robot mobili, il campo della robotica è più ampio e comprende bracci industriali stazionari e assistenti umanoidi. Gli AV sono specificamente specializzati nella logica dei trasporti.
• Vs. 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, sebbene la connettività migliori spesso la sicurezza degli AV.
• Vs. Teleoperazione: La teleoperazione prevede che un umano guidi un veicolo da remoto. Al contrario, i veri AV si basano su reti neurali di bordo per prendere decisioni localmente.

Link to this sectionImplementazione della Percezione 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