Autonomous Vehicles

自動運転車 (AV) は、自律走行車とも呼ばれ、環境を感知して人間の介入なしに走行できるインテリジェントな交通システムです。これらのシステムは、AI in automotive イノベーションの最高峰であり、洗練されたハードウェアと高度なソフトウェアアルゴリズムを組み合わせて複雑な周辺環境を解釈します。AV 技術の主な目的は、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、運転できない人々に移動手段を提供することです。これらの車両は、その核心部分において 人工知能 (AI) に依存して刺激を知覚し、情報を処理し、一瞬を争う運転の意思決定を行います。

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て、車線境界線、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環境の正確で高解像度な3Dマップを作成します。これは奥行きの知覚に不可欠です。
• Object Detection: ディープラーニングモデルは、動的な障害物を識別して位置特定します。YOLO26 のような高速モデルは、歩行者やその他の車両を低遅延で検出するためにここで非常に重要となります。
• 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、車両が走行可能な道路面、歩道、植生を区別するのに役立ちます。

自動運転のレベル#

自動運転システムの機能は、SAE J3016 levels of driving automation によって分類されており、コンピューター制御の度合いと人間の介入の度合いを定義しています。

• Advanced Driver Assistance Systems (ADAS): レベル 1 および 2 をカバーし、これらのシステムはステアリングや加速を補助しますが (例: アダプティブクルーズコントロール)、ドライバーが関与し続ける必要があります。
• 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、警告があった場合は人間が引き継ぐ準備をする必要があります。
• High And Full Automation: レベル 4 および 5 は、人間の入力なしで動作できる車両を表します。レベル 4 はジオフェンス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律走行を目指しており、多くの場合、強力な Edge AI ハードウェアが必要になります。

実世界のAIアプリケーション#

自動運転車技術は現在、さまざまなセクターで導入されており、現実世界の複雑さを処理するために重い machine learning (ML) 計算に依存しています。

1. ロボタクシー: Waymo などの企業は、完全自動運転車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. 自動トラック輸送: 長距離物流は、予測可能な高速道路ルートでの自動化の恩恵を受けています。Aurora のようなイノベーターは、長距離知覚を活用して燃料効率と安全性を向上させる自律走行トラックを開発しています。

3. ラストマイル配送: 小型で自律型のロボットは、object tracking を使用して歩道を移動し、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ます。

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、ロボティクスの分野はより広く、固定式の産業用アームや人型アシスタントを含んでいます。AVは特に輸送ロジスティクスに特化しています。
• 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には、人間が遠隔から車両を運転することが含まれます。対照的に、真のAVは、オンボードの neural networks to make decisions locally. に依存しています。

YOLO26による認識の実装#

あらゆる自動システムにおける重要なコンポーネントは、時間の経過に伴ってオブジェクトを追跡する機能です。次の例は、Ultralytics Platform 互換の ultralytics ライブラリを使用してビデオ上でオブジェクト追跡を実行し、車両の知覚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