Autonomous Vehicles

自動運転車両（AVs）は、一般に自動運転車とも呼ばれ、人間の関与なしに周囲の環境を認識して走行できる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先進的なソフトウェアアルゴリズムを組み合わせ、複雑な周辺環境を解釈する 自動車分野のAI イノベーションの頂点に位置します。AV技術の主な目的は、人為的ミス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、人工知能（AI）を中核として、刺激を認識し、情報を処理し、瞬時の運転判断を行います。

認識およびセンサーテクノロジー#

自動運転車両が安全に走行するには、周囲の環境を包括的に理解する必要があります。これは、複数のセンサーからデータを集約する認識レイヤーによって実現されます。

• コンピュータービジョン（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。アルゴリズムは映像フィードを処理し、車線表示、信号機、標識を認識します。
• LiDARテクノロジー：光検出および測距（LiDAR）は、レーザーパルスを使用して環境の高精度・高解像度な3Dマップを作成します。これは深度認識に不可欠です。
• 物体検出：深層学習モデルは、動的な障害物を識別して位置を特定します。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うえで重要です。
• センサーフュージョン：あらゆる状況で完璧に機能する単一のセンサーはありません（例：霧の中のカメラ）。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、堅牢な環境モデルを構築します。
• セマンティックセグメンテーション：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、植生を区別できるようにします。

自動運転のレベル#

自動運転システムの機能は、コンピューターによる制御と人間の介入の範囲を定義するSAE J3016の運転自動化レベルによって分類されます。

• 先進運転支援システム（ADAS）：レベル1および2を対象とし、ステアリング操作や加速（例：アダプティブクルーズコントロール）を支援しますが、ドライバーは運転に関与し続ける必要があります。
• 条件付き自動化：レベル3では、高速道路の渋滞など特定の条件下で車両が運転タスクの大部分を処理できますが、警告を受けた際に人間が運転を引き継げる状態でなければなりません。
• 高度自動化および完全自動化：レベル4および5は、人間の入力なしで走行できる車両を表します。レベル4はジオフェンスで区切られた地域に限定されますが、レベル5は、強力なエッジAIハードウェアを必要とすることが多く、あらゆる道路での完全自動運転を目指します。

実環境におけるAIの応用#

自動運転車両テクノロジーは現在、さまざまな分野で導入されており、現実世界の複雑さに対応するため、大規模な機械学習（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、都市環境で乗客を輸送する完全自動運転車両のフリートを運用しています。これらの車両は予測モデリングを使用して、複雑な都市環境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. 自動運転トラック輸送：長距離物流では、予測しやすい高速道路ルートの自動化が有効です。Auroraなどのイノベーターは、長距離認識を活用して燃料効率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. ラストマイル配送：小型の自動運転ロボットは物体追跡を使用して歩道を走行し、荷物を配送することで、物流のコストとカーボンフットプリントを削減します。

関連する概念との違い#

自動運転車両と、ロボティクスおよび自動車分野に関連する用語を区別することが重要です。

• ロボティクスとの比較：AVsは技術的には移動ロボットですが、ロボティクスの領域はより広く、固定式の産業用アームやヒューマノイドアシスタントも含まれます。AVsは特に輸送ロジックに特化しています。
• コネクテッドカー（V2X）との比較：コネクテッドカーは、相互（V2V）およびインフラ（V2I）と通信し、速度や位置などのデータを共有します。車両は自動運転機能がなくても接続できますが、接続性によってAVsの安全性が向上することがよくあります。
• テレオペレーションとの比較：テレオペレーションでは、人間が遠隔から車両を運転します。これに対し、真のAVsは、車載のニューラルネットワークを使用してローカルで判断を行います。

Ultralytics YOLO26による認識の実装#

あらゆる自動運転システムにとって重要な要素は、時間の経過に伴って物体を追跡する能力です。次の例では、Ultralytics Platformと互換性のある ultralytics ライブラリを使用して動画内の物体追跡を実行し、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