Autonomous Vehicles

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

Công nghệ cảm biến và nhận thức#

Để một phương tiện tự hành điều hướng an toàn, nó phải có hiểu biết toàn diện về môi trường xung quanh. Điều này đạt được thông qua một lớp nhận thức giúp tổng hợp dữ liệu từ một loạt các cảm biến.

• Computer Vision (CV): Camera đóng vai trò là các cảm biến thị giác chính, mô phỏng thị giác của con người. Các thuật toán xử lý luồng video để nhận diện vạch kẻ đường, đèn giao thông và biển báo.
• Công nghệ LiDAR: Công nghệ Phát hiện và Đo khoảng cách bằng ánh sáng (LiDAR) sử dụng các xung laser để tạo ra các bản đồ 3D chính xác và có độ phân giải cao về môi trường xung quanh, điều rất cần thiết cho nhận thức chiều sâu.
• Object Detection: Các mô hình deep learning xác định và định vị các chướng ngại vật động. Các mô hình tốc độ cao như YOLO26 đóng vai trò cốt lõi trong việc phát hiện người đi bộ và các phương tiện khác với độ trễ thấp.
• Sensor Fusion (Hợp nhất cảm biến): Không một cảm biến đơn lẻ nào 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 tạo thành một mô hình môi trường mạnh mẽ.
• Semantic Segmentation: Kỹ thuật này phân loại từng pixel trong một hình ảnh, giúp xe phân biệt giữa bề mặt đường có thể lái được, 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 của SAE J3016, định nghĩa mức độ điều khiển của máy tính so với sự can thiệp của con người.

• Advanced Driver Assistance Systems (ADAS): Bao gồm Cấp độ 1 và 2, các hệ thống này hỗ trợ vô lăng hoặc tăng tốc (ví dụ: hệ thống kiểm soát hành trình thích ứng) nhưng yêu cầu tài xế phải luôn tập trung điều khiển.
• Tự động hóa có điều kiện: Ở Cấp độ 3, xe có thể xử lý hầu hết các tác vụ lái xe trong các điều kiện cụ thể, chẳng hạn như tắc nghẽn giao thông trên cao tốc, nhưng con người phải luôn sẵn sàng tiếp quản quyền điều khiển khi có cảnh báo.
• Tự động hóa cao và toàn diện: Cấp độ 4 và 5 đại diện cho các phương tiện có thể vận hành không cần sự can thiệp của con người. Cấp độ 4 bị giới hạn trong các khu vực có hàng rào địa lý, trong khi Cấp độ 5 hướng tới khả năng tự động hoàn toàn trên mọi cung đường, thường đòi hỏi phần cứng Edge AI mạnh mẽ.

Các ứng dụng AI trong thực tế#

Công nghệ xe tự hành hiện đang được triển khai trên nhiều lĩnh vực khác nhau, dựa vào khả năng tính toán machine learning (ML) nặng để xử lý các độ phức tạp trong thế giới thực.

1. Robotaxi: Các công ty như Waymo tận dụng các đội xe tự hành hoàn toàn để vận chuyển hành khách trong môi trường đô thị. Các phương tiện này sử dụng mô hình dự đoán để dự đoán hành vi của người đi bộ và các tài xế khác trong không gian đô thị phức tạp.

2. Vận tải hàng hóa tự hành: Ngành hậu cần đường dài hưởng lợi từ việc tự động hóa trên các tuyến đường cao tốc có thể dự đoán trước. Các đơn vị đổi mới như Aurora phát triển xe tải tự lái tận dụng khả năng nhận thức tầm xa để cải thiện hiệu suất nhiên liệu và an toàn.

3. Giao hàng chặng cuối: Các robot tự hành nhỏ sử dụng object tracking để di chuyển trên vỉa hè và giao bưu phẩm, giúp giảm chi phí và lượng khí thải carbon trong ngành hậu cần.

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 robot và ô tô.

• So với Robotics: Mặc dù các xe AV về mặt kỹ thuật là các robot di động, lĩnh vực robotics rộng lớn hơn, bao gồm cả cánh tay công nghiệp cố định và trợ lý hình người. Các xe AV được chuyên biệt hóa cụ thể cho logic giao thông.
• So với Phương tiện kết nối (V2X): Các 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 cần phải tự hành, mặc dù khả năng kết nối thường tăng cường độ an toàn cho AV.
• So với Teleoperation: Teleoperation bao gồm việc con người điều khiển phương tiện từ xa. Ngược lại, xe AV thực thụ dựa vào các mạng nơ-ron trên xe để đưa ra quyết định tại chỗ.

Triển khai Nhận diện với Ultralytics YOLO26#

Một thành phần cốt lõi của bất kỳ hệ thống tự hành nào là khả năng theo dõi đối tượng theo thời gian. Ví dụ sau đây 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 chiếc xe.

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