Autonomous Vehicles

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

Link to this sectionCông 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.

• Thị giác máy tính (CV): Camera đóng vai trò là cảm biến hình ảnh chính, mô phỏng thị giác con người. Các thuật toán xử lý luồng video để nhận diện vạch kẻ đường, đèn giao thông và biển báo.
• Công nghệ LiDAR: Phát hiện và đo khoảng cách bằng ánh sáng (LiDAR) sử dụng các xung laser để tạo ra bản đồ 3D chính xác, độ phân giải cao về môi trường, rất cần thiết cho việc nhận thức chiều sâu.
• Phát hiện đối tượng: Các model học sâu giúp xác định và định vị các chướng ngại vật động. Các model tốc độ cao như YOLO26 đóng vai trò quan trọng 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.
• Phân đoạn ngữ nghĩa: Kỹ thuật này phân loại từng pixel trong hình ảnh, giúp phương tiện phân biệt giữa bề mặt đường có thể lái được, vỉa hè và thảm thực vật.

Link to this sectionCác cấp độ tự hành#

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

• Hệ thống hỗ trợ lái xe 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 phải duy trì sự tập trung.
• Tự động hóa có điều kiện: Ở Cấp độ 3, phương tiện có thể xử lý hầu hết các tác vụ lái xe trong các điều kiện cụ thể, như tắc nghẽn giao thông trên đường cao tốc, nhưng con người phải sẵn sàng tiếp quản khi có cảnh báo.
• Tự động hóa cao và toàn phần: Cấp độ 4 và 5 đại diện cho các phương tiện có thể hoạt động mà không cần sự can thiệp của con người. Cấp độ 4 giới hạn ở các khu vực có hàng rào địa lý, trong khi Cấp độ 5 hướng tới khả năng tự hành hoàn toàn trên mọi con đường, thường yêu cầu phần cứng Edge AI mạnh mẽ.

Link to this sectionCác ứng dụng AI trong thực tế#

Công nghệ phương tiện tự hành hiện đang được triển khai trên nhiều lĩnh vực khác nhau, dựa vào tính toán học máy (ML) nặng để xử lý sự phức tạp trong thực tế.

1. Robotaxi: Các công ty như Waymo sử dụng đội xe tự hành hoàn toàn để vận chuyển 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 các tài xế khác trong cảnh quan thành phố phức tạp.

2. Vận tải tự hành: Ngành hậu cần đường dài được hưởng lợi từ tự động hóa trên các tuyến đường cao tốc có thể dự đoán được. Các nhà đổi mới như Aurora phát triển xe tải tự lái tận dụng khả năng nhận thức tầm xa để cải thiện hiệu quả nhiên liệu và độ 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 bưu kiện, giúp giảm chi phí và dấu chân carbon của hoạt động logistics.

Link to this sectionPhân 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 Robot học: Mặc dù AV về mặt kỹ thuật là các robot di động, lĩnh vực robot học rộng hơn, bao gồm cả cánh tay công nghiệp đứng yên và trợ lý hình người. AV được chuyên biệt hóa cụ thể cho logic vận chuyển.
• 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 Điều khiển từ xa (Teleoperation): Điều khiển từ xa liên quan đến việc con người lái xe từ xa. Ngược lại, AV thực sự dựa vào các mạng thần kinh trên xe để đưa ra quyết định tại chỗ.

Link to this sectionTriển khai nhận thức với 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