Autonomous Vehicles

Phương tiện tự hành (AVs), thường được gọi là ô tô tự lái, là các hệ thống giao thông thông minh có khả năng cảm nhận môi trường xung quanh và vận hành mà không cần con người tham gia. Các hệ thống này đại diện cho đỉnh cao của đổi mới AI trong ngành ô tô, kết hợp phần cứng tinh vi với các thuật toán phần mềm tiên tiến để diễn giải môi trường phức tạp. Mục tiêu chính của công nghệ AV là nâng cao an toàn giao thông bằng cách giảm thiểu tai nạn do lỗi của con người, đồng thời tối ưu hóa hiệu quả giao thông và cung cấp khả năng di chuyển cho những người không thể lái xe. Về cốt lõi, các phương tiện này dựa vào trí tuệ nhân tạo (AI) để nhận biết tác động từ môi trường, xử lý thông tin và đưa ra quyết định lái xe trong tích tắc.

Nhận thức và công nghệ cảm biến#

Để một phương tiện tự hành di chuyển an toàn, phương tiện đó phải có khả năng hiểu toàn diện về môi trường xung quanh. Điều này đạt được thông qua một lớp nhận thức tổng hợp dữ liệu từ một loạt cảm biến.

• Thị giác máy tính (CV): Camera đóng vai trò là các cảm biến hình ảnh chính, mô phỏng thị giác của con người. Các thuật toán xử lý luồng video để nhận diện vạch làn đường, đèn giao thông và biển báo.
• Công nghệ LiDAR: Đo và phát hiện ánh sáng (LiDAR) sử dụng các xung laser để tạo bản đồ 3D chính xác, độ phân giải cao về môi trường, rất cần thiết cho việc nhận biết chiều sâu.
• Phát hiện đối tượng: Các model deep learning nhận diện và xác định vị trí của các chướng ngại vật động. Các model tốc độ cao như YOLO26 đóng vai trò then chốt trong việc phát hiện người đi bộ và các phương tiện khác với độ trễ thấp.
• Hợp nhất cảm biến: Không có cảm biến đơn lẻ nào hoạt động hoàn hảo trong mọi điều kiện (ví dụ: camera trong sương mù). Các thuật toán hợp nhất kết hợp dữ liệu từ camera, radar và LiDAR để hình thành một model môi trường mạnh mẽ.
• Phân đoạn ngữ nghĩa: Kỹ thuật này phân loại từng pixel trong một hình ảnh, giúp phương tiện phân biệt giữa bề mặt đường có thể di chuyển, vỉa hè và thảm thực vật.

Các cấp độ tự hành#

Các khả năng của hệ thống tự hành được phân loại theo các cấp độ tự động hóa lái xe SAE J3016, trong đó xác định mức độ kiểm soát của máy tính so với sự can thiệp của con người.

• Hệ thống hỗ trợ người lái nâng cao (ADAS): Bao gồm Cấp độ 1 và 2, các hệ thống này hỗ trợ đánh lái hoặc tăng tốc (ví dụ: kiểm soát hành trình thích ứng) nhưng yêu cầu người lái luôn tập trung.
• Tự động hóa có điều kiện: Ở Cấp độ 3, phương tiện có thể xử lý hầu hết tác vụ lái xe trong các điều kiện cụ thể, chẳng hạn như ùn tắc giao thông trên đường cao tốc, nhưng con người phải sẵn sàng tiếp quản khi được cảnh báo.
• Tự động hóa cao và toàn phần: Cấp độ 4 và 5 đại diện cho các phương tiện có thể vận hành mà không cần con người điều khiển. Cấp độ 4 bị giới hạn trong các khu vực được xác định bằng geofence, trong khi Cấp độ 5 hướng đến khả năng tự hành hoàn toàn trên mọi tuyến đường, thường đòi hỏi phần cứng AI biên mạnh mẽ.

Các ứng dụng AI trong thực tế#

Công nghệ phương tiện tự hành hiện đang được triển khai trong nhiều lĩnh vực, dựa vào năng lực tính toán machine learning (ML) lớn để xử lý sự phức tạp của thế giới thực.

1. Taxi tự hành: Các công ty như Waymo vận hành các đội phương tiện tự hành hoàn toàn để chở hành khách trong môi trường đô thị. Những phương tiện này sử dụng mô hình dự đoán để dự đoán hành vi của người đi bộ và những người lái xe khác trong cảnh quan đô thị phức tạp.

2. Vận tải đường bộ tự hành: Hoạt động logistics đường dài được hưởng lợi từ tự động hóa trên các tuyến đường cao tốc có tính dự đoán cao. Các nhà đổi mới như Aurora phát triển xe tải tự lái, khai thác khả năng nhận thức tầm xa để cải thiện hiệu quả nhiên liệu và an toàn.

3. Giao hàng chặng cuối: Các robot tự hành nhỏ sử dụng theo dõi đối tượng để di chuyển trên vỉa hè và giao các gói hàng, qua đó giảm chi phí và lượng khí thải carbon của hoạt động logistics.

Phân biệt các khái niệm liên quan#

Điều quan trọng là phải phân biệt Phương tiện tự hành với các thuật ngữ liên quan trong lĩnh vực robotics và ô tô.

• So với Robotics: Mặc dù AV về mặt kỹ thuật là robot di động, lĩnh vực robotics rộng hơn, bao gồm các cánh tay công nghiệp cố định và trợ lý hình người. AV được chuyên biệt cho logic vận tải.
• So với phương tiện kết nối (V2X): Phương tiện kết nối giao tiếp với nhau (V2V) và với cơ sở hạ tầng (V2I) để chia sẻ dữ liệu như tốc độ và vị trí. Một phương tiện có thể được kết nối mà không tự hành, mặc dù khả năng kết nối thường nâng cao mức độ an toàn của AV.
• So với Điều khiển từ xa: Điều khiển từ xa bao gồm việc con người lái phương tiện từ xa. Ngược lại, AV thực sự dựa vào mạng neural để đưa ra quyết định cục bộ.

Triển khai nhận thức với Ultralytics YOLO26#

Một thành phần quan trọng của mọi hệ thống tự hành là khả năng theo dõi đối tượng theo thời gian. Ví dụ sau minh họa cách sử dụng thư viện ultralytics tương thích với Ultralytics Platform để thực hiện theo dõi đối tượng trên video, mô phỏng hệ thống nhận thức của một phương tiện.

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