Autonomous Vehicles

Автономные транспортные средства (AV), часто называемые беспилотными автомобилями, представляют собой интеллектуальные транспортные системы, способные воспринимать окружающую среду и работать без участия человека. Эти системы являются вершиной инноваций в AI in automotive, объединяя сложное аппаратное обеспечение с продвинутыми программными алгоритмами для интерпретации окружения. Основная цель технологий AV — повысить безопасность дорожного движения за счет сведения к минимуму аварий, вызванных человеческим фактором, при одновременной оптимизации эффективности дорожного движения и обеспечении мобильности для тех, кто не может управлять автомобилем. По своей сути эти транспортные средства полагаются на artificial intelligence (AI) для восприятия стимулов, обработки информации и принятия мгновенных решений при вождении.

Link to this sectionТехнологии 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, сигналов светофора и дорожных знаков.
• LiDAR Technology: Лазерное сканирование и дальнометрия (LiDAR) используют лазерные импульсы для создания точных, высокодетализированных 3D-карт окружения, что критически важно для восприятия глубины.
• Object Detection: Модели глубокого обучения идентифицируют и локализуют динамические препятствия. Высокоскоростные модели, такие как YOLO26, здесь незаменимы для обнаружения пешеходов и других транспортных средств с минимальной задержкой.
• 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: Этот метод классифицирует каждый пиксель изображения, помогая транспортному средству различать проезжую часть, тротуары и растительность.

Link to this sectionУровни 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): Эти системы, охватывающие уровни 1 и 2, помогают с рулевым управлением или ускорением (например, адаптивный круиз-контроль), но требуют, чтобы водитель оставался вовлеченным в процесс.
• Conditional Automation: На 3-м уровне транспортное средство может справляться с большинством задач вождения в специфических условиях, например, в дорожных заторах на шоссе, но человек должен быть готов взять управление на себя при получении сигнала.
• High And Full Automation: Уровни 4 и 5 представляют собой транспортные средства, способные работать без участия человека. Уровень 4 ограничен геозонированными зонами, в то время как уровень 5 нацелен на полную автономность на любых дорогах, что часто требует мощного оборудования Edge AI.

Link to this sectionПрименение ИИ в реальном мире#

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

1. Robotaxis: Компании, такие как Waymo, используют парки полностью автономных транспортных средств для перевозки пассажиров в городских условиях. Эти машины используют predictive modeling для прогнозирования поведения пешеходов и других водителей в сложных городских ландшафтах.

2. Autonomous Trucking: Магистральная логистика выигрывает от автоматизации на предсказуемых маршрутах шоссе. Инноваторы, такие как Aurora, разрабатывают беспилотные грузовики, которые используют системы восприятия дальнего действия для повышения топливной эффективности и безопасности.

3. Last-Mile Delivery: Небольшие автономные роботы используют object tracking для навигации по тротуарам и доставки посылок, снижая стоимость и углеродный след в логистике.

Link to this sectionРазграничение похожих концепций#

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

• Vs. Robotics: Хотя AV технически являются мобильными роботами, область робототехники шире и охватывает стационарные промышленные манипуляторы и гуманоидных помощников. AV специально специализированы для логики транспортировки.
• 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.
• Vs. Teleoperation: Телеуправление предполагает дистанционное управление транспортным средством человеком. В отличие от этого, настоящие AV полагаются на бортовые neural networks to make decisions locally.

Link to this sectionРеализация восприятия с помощью 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