Autonomous Vehicles

自動運転車（AV）は、しばしば「セルフドライビングカー」とも呼ばれ、周囲の環境を認識し、人間の介入なしに操作可能なインテリジェント交通システムです。これらのシステムは、高度なハードウェアと洗練されたソフトウェアアルゴリズムを組み合わせて複雑な周辺状況を解釈する、AI in automotive イノベーションの頂点を象徴しています。AVテクノロジーの主な目的は、ヒューマンエラーによる事故を最小限に抑えて道路の安全性を高めると同時に、交通効率を最適化し、運転が困難な人々に移動手段を提供することです。その核心部分では、これらの車両は artificial intelligence (AI) を利用して刺激を感知し、情報を処理し、瞬時に運転の意思決定を行っています。

Link to this section認識およびセンサーテクノロジー#

自動運転車が安全に走行するためには、周囲の状況を包括的に理解している必要があります。これは、一連のセンサーからデータを集約する認識レイヤーを通じて実現されます。

• Computer Vision (CV): カメラは人間の視覚を模倣する主要な視覚センサーとして機能します。アルゴリズムがビデオフィードを処理し、車線マーカー、信号機、標識を認識します。
• LiDAR Technology: Light Detection and Ranging（LiDAR）は、レーザーパルスを使用して周囲の環境を正確かつ高解像度な3Dマップとして作成します。これは深度認識に不可欠です。
• Object Detection: ディープラーニングモデルが動的な障害物を特定し、位置を特定します。 YOLO26 のような高速モデルは、歩行者や他の車両を低レイテンシで検出するために非常に重要です。
• センサーフュージョン: すべての条件下（例：霧の中でのカメラなど）で完璧な単一のセンサーはありません。フュージョンアルゴリズムは、カメラ、レーダー、LiDARからのデータを組み合わせて、堅牢な環境モデルを形成します。
• Semantic Segmentation: この技術は画像内のすべてのピクセルを分類し、走行可能な路面、歩道、植生を車両が区別するのに役立ちます。

Link to this section自動運転のレベル#

自動運転システムの能力は、コンピュータ制御と人間の介入の程度を定義する SAE J3016 levels of driving automation によって分類されています。

• Advanced Driver Assistance Systems (ADAS): レベル1およびレベル2をカバーし、ステアリングや加速（例：アダプティブクルーズコントロール）を支援しますが、ドライバーが常に関与している必要があります。
• Conditional Automation: レベル3では、高速道路の交通渋滞などの特定の条件下で車両がほとんどの運転タスクを処理できますが、警告があった場合には人間が即座に引き継ぐ準備ができている必要があります。
• High And Full Automation: レベル4およびレベル5は、人間の入力なしで操作できる車両を表します。レベル4はジオフェンスで囲まれたエリアに限定されますが、レベル5はあらゆる道路での完全な自動運転を目指しており、多くの場合、強力な Edge AI ハードウェアを必要とします。

Link to this section実世界のAIアプリケーション#

自動運転車の技術は現在、さまざまな分野で展開されており、現実世界の複雑さを処理するために膨大な machine learning (ML) の計算に依存しています。

1. ロボタクシー: Waymo のような企業は、完全自動運転車両のフリートを利用して、都市環境で乗客を輸送しています。これらの車両は predictive modeling を使用して、複雑な都市景観における歩行者や他のドライバーの行動を予測します。

2. 自動運転トラック: 長距離物流は、予測可能な高速道路ルートでの自動化から恩恵を受けています。 Aurora のようなイノベーターは、長距離認識を活用して燃費と安全性を向上させる自動運転トラックを開発しています。

3. ラストワンマイル配送: 小型自律走行ロボットは object tracking を使用して歩道を走行し、荷物を配送することで、物流のコストと二酸化炭素排出量を削減しています。

Link to this section関連概念の区別#

ロボット工学や自動車分野における関連用語と自動運転車を区別することは重要です。

• Vs. Robotics: AVは技術的には移動ロボットですが、ロボット工学の分野はより広く、固定式の産業用アームや人型アシスタントも含まれます。AVは特に輸送ロジックに特化しています。
• Vs. コネクテッドカー (V2X): コネクテッドカーは、速度や位置などのデータを共有するために、車両同士 (V2V) やインフラ (V2I) と通信します。車両は自律的でなくてもコネクテッド状態になることは可能ですが、接続性はしばしばAVの安全性を向上させます。
• Vs. Teleoperation: テレオペレーション（遠隔操作）は、人間が遠隔で車両を運転することを含みます。対照的に、真のAVは車載の neural networks to make decisions locally. に依存しています。

Link to this sectionYOLO26による認識の実装#

あらゆる自律システムの重要な構成要素は、経時的に物体を追跡する機能です。次の例は、Ultralytics Platform と互換性のある ultralytics ライブラリを使用してビデオ上でオブジェクトトラッキングを実行し、車両の認識システムをシミュレートする方法を示しています。

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