Autonomous Vehicles

Veículos Autónomos (AVs), frequentemente referidos como carros que conduzem sozinhos, são sistemas de transporte inteligentes capazes de detetar o seu ambiente 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 cenários complexos. O objetivo principal da tecnologia de AV é melhorar a segurança rodoviária ao minimizar acidentes causados por erro humano, enquanto otimiza a eficiência do tráfego e proporciona mobilidade a quem não consegue conduzir. Na sua essência, estes veículos dependem de inteligência artificial (IA) para perceber estímulos, processar informação e tomar decisões de condução em frações de segundo.

Link to this sectionPerceção e Tecnologias de Sensores#

Para que um veículo autónomo navegue em segurança, deve possuir uma compreensão abrangente dos seus arredores. Isto é alcançado através de uma camada de perceção que agrega dados de um conjunto de sensores.

• Visão Computacional (CV): As câmaras servem como os principais sensores visuais, imitando a visão humana. Os algoritmos processam feeds de vídeo para reconhecer marcações de faixa, semáforos e sinais.
• Tecnologia LiDAR: A Deteção e Alcance de 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: Modelos de aprendizagem profunda identificam e localizam obstáculos dinâmicos. Modelos de alta velocidade como o YOLO26 são cruciais aqui para detetar peões e outros veículos com baixa latência.
• Fusão de Sensores: Nenhum sensor isolado é perfeito em todas as condições (por exemplo, câmaras com nevoeiro). Os algoritmos de fusão combinam dados de câmaras, radar e LiDAR para formar um modelo ambiental robusto.
• Segmentação Semântica: Esta técnica classifica cada pixel numa imagem, ajudando o veículo a distinguir entre a superfície da estrada transitável, passeios e vegetação.

Link to this sectionNíveis de Autonomia#

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

• Sistemas Avançados de Assistência ao Condutor (ADAS): Abrangendo os Níveis 1 e 2, estes sistemas ajudam na direção ou aceleração (por exemplo, controlo de cruzeiro adaptativo), mas exigem que o condutor permaneça atento.
• Automação Condicional: No Nível 3, o veículo pode realizar a maioria das tarefas de condução em condições específicas, tais como engarrafamentos em autoestradas, mas o ser humano deve estar pronto para assumir o controlo quando alertado.
• Automação Elevada e Total: Os Níveis 4 e 5 representam veículos que podem operar sem intervenção humana. O Nível 4 é limitado a áreas georreferenciadas, enquanto o Nível 5 visa a autonomia total em qualquer estrada, exigindo frequentemente hardware de Edge AI potente.

Link to this sectionAplicações Reais de IA#

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

1. Robotaxis: Empresas como a Waymo utilizam frotas de veículos totalmente autónomos para transportar passageiros em ambientes urbanos. Estes veículos usam modelação preditiva para antecipar o comportamento de peões e outros condutores em paisagens citadinas complexas.

2. Transporte de Carga Autónomo: A logística de longo curso beneficia da automação em rotas de autoestrada previsíveis. Inovadores como a Aurora desenvolvem camiões autónomos que aproveitam a perceção de longo alcance para melhorar a eficiência de combustível e a segurança.

3. Entrega de Última Milha: Pequenos robôs autónomos utilizam seguimento de objetos para navegar em passeios e entregar encomendas, reduzindo o custo e a pegada de carbono da logística.

Link to this sectionDistinguindo Conceitos Relacionados#

É importante distinguir os Veículos Autónomos de termos relacionados nas áreas da robótica e automóvel.

• Vs. Robótica: Embora os AVs sejam tecnicamente robôs móveis, o campo da robótica é mais vasto, abrangendo braços industriais estacionários e assistentes humanoides. Os AVs são especificamente especializados em 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 um humano a conduzir remotamente um veículo. Em contraste, os AVs verdadeiros dependem de redes neuronais a bordo para tomar decisões localmente.

Link to this sectionImplementar a Perceção com o 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