Autonomous Vehicles

Autonomous Vehicles (AVs), часто называемые самоуправляемыми автомобилями, представляют собой интеллектуальные транспортные системы, способные определять свое окружение и работать без участия человека. Эти системы представляют собой вершину инноваций в области AI in automotive, объединяя сложное аппаратное обеспечение с передовыми программными алгоритмами для интерпретации сложной обстановки. Основная цель технологии AV заключается в повышении безопасности дорожного движения за счет минимизации аварий, вызванных человеческим фактором, а также в оптимизации эффективности трафика и обеспечении мобильности для тех, кто не может водить машину. По своей сути эти автомобили полагаются на artificial intelligence (AI) для восприятия стимулов, обработки информации и принятия решений за доли секунды.

Технологии восприятия и датчики#

Чтобы автономное транспортное средство могло безопасно перемещаться, оно должно иметь всестороннее представление об окружающей обстановке. Это достигается за счет уровня восприятия, который агрегирует данные от целого набора датчиков.

• Computer Vision (CV): Камеры служат основными визуальными датчиками, имитируя человеческое зрение. Алгоритмы обрабатывают видеопотоки для распознавания дорожной разметки, светофоров и знаков.
• LiDAR Technology: Технология светового обнаружения и определения дальности (LiDAR) использует лазерные импульсы для создания точных трехмерных карт высокого разрешения об окружающей среде, что необходимо для восприятия глубины.
• Object Detection: Модели глубокого обучения идентифицируют и локализуют динамические препятствия. Высокоскоростные модели, такие как YOLO26, играют здесь важнейшую роль для обнаружения пешеходов и других транспортных средств с низким временем задержки.
• Sensor Fusion: Ни один отдельный датчик не является идеальным в любых условиях (например, камеры в тумане). Алгоритмы слияния данных объединяют информацию с камер, радаров и LiDAR для формирования надежной модели окружающей среды.
• Semantic Segmentation: Эта техника классифицирует каждый пиксель на изображении, помогая автомобилю различать пригодную для движения дорожную поверхность, тротуары и растительность.

Уровни автономности#

Возможности автономных систем классифицируются по SAE J3016 levels of driving automation, которые определяют степень компьютерного контроля по сравнению с вмешательством человека.

• Advanced Driver Assistance Systems (ADAS): Охватывая уровни 1 и 2, эти системы помогают с рулевым управлением или ускорением (например, адаптивный круиз-контроль), но требуют, чтобы водитель оставался вовлеченным.
• Conditional Automation: На уровне 3 автомобиль может справляться с большинством задач вождения в определенных условиях, таких как пробки на шоссе, но человек должен быть готов взять управление на себя при получении соответствующего предупреждения.
• High And Full Automation: Уровни 4 и 5 представляют автомобили, которые могут работать без участия человека. Уровень 4 ограничен геозонами, в то время как уровень 5 нацелен на полную автономность на любой дороге, часто требуя мощного оборудования Edge AI.

Применение ИИ в реальном мире#

Технология автономных транспортных средств в настоящее время внедряется в различных секторах, опираясь на интенсивные вычисления machine learning (ML) для работы со сложностью реального мира.

1. Робототакси: Компании вроде Waymo используют парки полностью автономных автомобилей для перевозки пассажиров в городских условиях. Эти автомобили используют predictive modeling для прогнозирования поведения пешеходов и других водителей в сложных городских ландшафтах.

2. Автономные грузоперевозки: Логистика на дальние расстояния извлекает выгоду из автоматизации на предсказуемых маршрутах автомагистралей. Новаторы вроде Aurora разрабатывают самоуправляемые грузовики, которые используют дальнобойное восприятие для повышения топливной эффективности и безопасности.

3. Доставка последней мили: Небольшие автономные роботы используют object tracking для навигации по тротуарам и доставки посылок, снижая стоимость и углеродный след логистики.

Разграничение похожих концепций#

Важно отличать автономные транспортные средства от смежных терминов в робототехнике и автомобильной сфере.

• По сравнению с Robotics: Хотя AV технически являются мобильными роботами, область робототехники шире и охватывает стационарные промышленные манипуляторы и гуманоидные помощники. AV специально специализируются на транспортной логике.
• Vs. Connected Vehicles (V2X): Подключенные транспортные средства обмениваются информацией друг с другом (V2V) и с инфраструктурой (V2I) для передачи данных о скорости и местоположении. Транспортное средство может быть подключенным, не будучи автономным, хотя подключение часто повышает безопасность AV.
• По сравнению с Teleoperation: Телеоперация предполагает удаленное управление автомобилем человеком. В отличие от этого, настоящие AV полагаются на бортовые neural networks to make decisions locally.

Реализация восприятия с помощью Ultralytics YOLO26#

Критическим компонентом любой автономной системы является способность отслеживать объекты во времени. Следующий пример демонстрирует, как использовать совместимую с Ultralytics Platform библиотеку ultralytics для выполнения отслеживания объектов на видео, симулируя систему восприятия автомобиля.

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