Autonomous Vehicles

Автономные транспортные средства (AVs), которые часто называют беспилотными автомобилями, представляют собой интеллектуальные транспортные системы, способные воспринимать окружающую обстановку и работать без участия человека. Эти системы являются вершиной инноваций в области ИИ в автомобильной отрасли, объединяя сложное аппаратное обеспечение с передовыми программными алгоритмами для интерпретации сложной окружающей среды. Основная цель технологии AV — повысить безопасность дорожного движения за счёт минимизации аварий, вызванных человеческим фактором, одновременно оптимизируя эффективность движения и обеспечивая мобильность людей, которые не могут водить автомобиль. В основе эти транспортные средства используют искусственный интеллект (AI) для восприятия сигналов, обработки информации и принятия решений о вождении за доли секунды.

Технологии восприятия и сенсоров#

Чтобы автономное транспортное средство могло безопасно перемещаться, оно должно обладать полным представлением об окружающей обстановке. Это обеспечивается уровнем восприятия, который объединяет данные от набора сенсоров.

• Компьютерное зрение (CV): Камеры служат основными визуальными сенсорами, имитируя человеческое зрение. Алгоритмы обрабатывают видеопотоки, чтобы распознавать дорожную разметку, светофоры и дорожные знаки.
• Технология LiDAR: Лазерное обнаружение и определение дальности (LiDAR) использует лазерные импульсы для создания точных трёхмерных карт окружающей среды с высоким разрешением, необходимых для восприятия глубины.
• Обнаружение объектов: Модели глубокого обучения идентифицируют динамические препятствия и определяют их местоположение. Высокоскоростные модели, такие как YOLO26, имеют здесь решающее значение для обнаружения пешеходов и других транспортных средств с низкой задержкой.
• Слияние данных сенсоров: Ни один сенсор не идеален в любых условиях (например, камеры плохо работают в тумане). Алгоритмы слияния объединяют данные с камер, радара и LiDAR, формируя надёжную модель окружающей среды.
• Семантическая сегментация: Эта методика классифицирует каждый пиксель изображения, помогая транспортному средству отличать проезжую часть, по которой можно двигаться, от тротуаров и растительности.

Уровни автономности#

Возможности автономных систем классифицируются согласно уровням автоматизации вождения SAE J3016, которые определяют степень управления компьютером по сравнению с участием человека.

• Усовершенствованные системы помощи водителю (ADAS): Охватывая уровни 1 и 2, эти системы помогают управлять рулевым управлением или ускорением (например, адаптивный круиз-контроль), но требуют, чтобы водитель продолжал следить за ситуацией.
• Условная автоматизация: На уровне 3 транспортное средство может выполнять большинство задач вождения в определённых условиях, например в пробках на автомагистралях, но человек должен быть готов взять управление на себя после предупреждения.
• Высокая и полная автоматизация: Уровни 4 и 5 соответствуют транспортным средствам, способным работать без участия человека. Уровень 4 ограничен геозонированными территориями, тогда как уровень 5 предполагает полную автономность на любых дорогах и часто требует мощного оборудования для периферийного ИИ.

Практические применения AI#

Технология автономных транспортных средств уже внедряется в различных отраслях и опирается на интенсивные вычисления в области машинного обучения (ML) для работы со сложностью реального мира.

1. Роботакси: Такие компании, как Waymo, используют парки полностью автономных транспортных средств для перевозки пассажиров в городских условиях. Эти транспортные средства применяют моделирование поведения, чтобы прогнозировать поведение пешеходов и других водителей в сложной городской среде.

2. Автономные грузоперевозки: Дальние логистические перевозки выигрывают от автоматизации на предсказуемых маршрутах по автомагистралям. Такие новаторы, как Aurora, разрабатывают беспилотные грузовики, использующие восприятие на большом расстоянии для повышения топливной эффективности и безопасности.

3. Доставка на последней миле: Небольшие автономные роботы используют отслеживание объектов, чтобы перемещаться по тротуарам и доставлять посылки, снижая стоимость и углеродный след логистики.

Различие между связанными понятиями#

Важно отличать автономные транспортные средства от связанных с ними терминов в области робототехники и автомобильной отрасли.

• В отличие от робототехники: Хотя AV технически являются мобильными роботами, область робототехники шире и включает стационарные промышленные манипуляторы и человекоподобных помощников. AV специально оптимизированы для решения задач, связанных с транспортировкой.
• В отличие от подключённых транспортных средств (V2X): Подключённые транспортные средства обмениваются данными, такими как скорость и местоположение, друг с другом (V2V) и с инфраструктурой (V2I). Транспортное средство может быть подключённым, но не автономным, хотя подключённость часто повышает безопасность AV.
• В отличие от телеуправления: Телеуправление предполагает, что человек дистанционно управляет транспортным средством. В отличие от этого, настоящие AV используют встроенные нейронные сети для локального принятия решений.

Реализация восприятия с помощью Ultralytics YOLO26#

Критически важным компонентом любой автономной системы является способность отслеживать объекты во времени. В следующем примере показано, как использовать совместимую с Ultralytics Platform библиотеку ultralytics для отслеживания объектов на видео, имитируя систему восприятия транспортного средства.

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