Autonomous Vehicles

Os veículos autónomos (AVs), frequentemente referidos como carros autónomos, são sistemas de transporte inteligentes capazes de detetar o ambiente envolvente e operar sem intervenção humana. Estes sistemas representam o auge da inovação em IA no setor automóvel, combinando hardware sofisticado com algoritmos de software avançados para interpretar ambientes complexos. O principal objetivo da tecnologia AV é melhorar a segurança rodoviária, minimizando os acidentes causados por erro humano, ao mesmo tempo que otimiza a eficiência do trânsito e proporciona mobilidade a quem não pode conduzir. No seu núcleo, estes veículos dependem de inteligência artificial (IA) para percecionar estímulos, processar informações e tomar decisões de condução numa fração de segundo.

Perceção e tecnologias de sensores#

Para que um veículo autónomo navegue em segurança, tem de possuir uma compreensão abrangente do ambiente envolvente. Isto é conseguido através de uma camada de perceção que agrega dados provenientes de um conjunto de sensores.

• Visão computacional (CV): As câmaras funcionam como os principais sensores visuais, imitando a visão humana. Os algoritmos processam os fluxos de vídeo para reconhecer marcações de faixa, semáforos e sinais.
• Tecnologia LiDAR: A deteção e medição de distância por luz (LiDAR) utiliza impulsos laser para criar mapas 3D precisos e de alta resolução do ambiente, essenciais para a perceção de profundidade.
• Deteção de objetos: Os modelos de deep learning identificam e localizam obstáculos dinâmicos. Modelos de alta velocidade, como o YOLO26, são cruciais neste contexto para detetar peões e outros veículos com baixa latência.
• Fusão de sensores: Nenhum sensor é perfeito em todas as condições (por exemplo, as câmaras com nevoeiro). Os algoritmos de fusão combinam dados de câmaras, radar e LiDAR para formar um modelo robusto do ambiente.
• Segmentação semântica: Esta técnica classifica cada píxel de uma imagem, ajudando o veículo a distinguir entre a superfície transitável da estrada, os passeios e a vegetação.

Níveis de autonomia#

As capacidades dos sistemas autónomos são categorizadas pelos níveis de automação da condução SAE J3016, que definem a extensão do controlo informático face à intervenção humana.

• Sistemas avançados de assistência ao condutor (ADAS): Abrangendo os níveis 1 e 2, estes sistemas auxiliam na direção ou na aceleração (por exemplo, no controlo de velocidade de cruzeiro adaptativo), mas exigem que o condutor se mantenha atento.
• Automação condicional: No nível 3, o veículo consegue realizar a maioria das tarefas de condução em condições específicas, como congestionamentos em autoestradas, mas a pessoa tem de estar preparada para assumir o controlo quando for alertada.
• Automação elevada e total: Os níveis 4 e 5 representam veículos capazes de operar sem intervenção humana. O nível 4 está limitado a áreas geograficamente delimitadas, enquanto o nível 5 visa uma autonomia total em qualquer estrada, exigindo frequentemente hardware avançado de IA de ponta.

Aplicações de IA no mundo real#

A tecnologia de veículos autónomos está atualmente a ser implementada em vários setores, dependendo de computação intensiva de machine learning (ML) para lidar com a complexidade do mundo real.

1. Robotáxis: Empresas como a Waymo utilizam frotas de veículos totalmente autónomos para transportar passageiros em ambientes urbanos. Estes veículos usam modelos preditivos para antecipar o comportamento de peões e de outros condutores em ambientes urbanos complexos.

2. Transporte autónomo de mercadorias: A logística de longo curso beneficia da automação em rotas de autoestrada previsíveis. Empresas inovadoras como a Aurora desenvolvem camiões autónomos que utilizam perceção de longo alcance para melhorar a eficiência de combustível e a segurança.

3. Entrega da última milha: Pequenos robôs autónomos utilizam o rastreamento de objetos para navegar pelos passeios e entregar encomendas, reduzindo o custo e a pegada de carbono da logística.

Distinguir conceitos relacionados#

É importante distinguir os veículos autónomos de termos relacionados nos campos da robótica e do setor automóvel.

• Vs. Robótica: Embora os AVs sejam tecnicamente robôs móveis, o campo da robótica é mais abrangente, incluindo braços industriais estacionários e assistentes humanoides. Os AVs são especificamente especializados na lógica de transporte.
• Vs. Veículos conectados (V2X): Os veículos conectados comunicam entre si (V2V) e com a infraestrutura (V2I) para partilhar dados como velocidade e localização. Um veículo pode estar conectado sem ser autónomo, embora a conectividade melhore frequentemente a segurança dos AVs.
• Vs. Teleoperação: A teleoperação envolve uma pessoa a conduzir um veículo remotamente. Em contrapartida, os verdadeiros AVs dependem de redes neuronais para tomar decisões localmente.

Implementação da perceção com o Ultralytics YOLO26#

Um componente essencial de qualquer sistema autónomo é a capacidade de rastrear objetos ao longo do tempo. O exemplo seguinte demonstra como utilizar a biblioteca ultralytics compatível com a Ultralytics Platform para realizar o rastreamento de objetos num vídeo, simulando o sistema de perceção de um veículo.

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