Autonomous Vehicles
通过自动驾驶探索移动出行的未来。了解 Ultralytics YOLO26 如何为自动驾驶汽车提供实时感知、目标检测和传感器融合支持。
自动驾驶车辆 (AV) 常被称为无人驾驶汽车，是一种能够感知环境并在无需人工干预的情况下运行的智能交通系统。这些系统代表了 汽车 AI 创新的巅峰，结合了先进的硬件和高端软件算法来解读复杂的周边环境。自动驾驶技术的主要目标是通过最大限度地减少人为错误导致的事故来提高道路安全，同时优化交通效率，并为那些无法驾驶的人提供出行便利。其核心在于依靠 人工智能 (AI) 来感知刺激、处理信息并做出瞬间的驾驶决策。
Link to this section感知与传感器技术#
为了安全行驶，自动驾驶车辆必须对周围环境有全面的了解。这是通过一个汇集来自各种传感器数据的感知层来实现的。
- 计算机视觉 (CV)：摄像头作为主要的视觉传感器，模拟人类视觉。算法会处理视频流以识别车道线、交通信号灯和标志。
- LiDAR 技术：激光雷达 (LiDAR) 利用激光脉冲创建精确的高分辨率环境 3D 地图，这对深度感知至关重要。
- 目标检测：深度学习模型用于识别和定位动态障碍物。像 YOLO26 这样的高速模型在此类任务中至关重要，能够以低延迟检测行人和其他车辆。
- 传感器融合：没有单一传感器在所有条件下（例如在大雾中的摄像头）都是完美的。融合算法结合了来自摄像头、雷达和 LiDAR 的数据，从而构建出一个稳健的环境模型。
- 语义分割：该技术可对图像中的每个像素进行分类，帮助车辆区分可行驶的路面、人行道和植被。
Link to this section自动驾驶等级#
自动驾驶系统的能力根据 SAE J3016 驾驶自动化分级 进行分类，该标准定义了计算机控制与人类干预之间的程度。
- 高级驾驶辅助系统 (ADAS)：涵盖 1 级和 2 级，这些系统协助转向或加速（例如自适应巡航控制），但要求驾驶员保持专注。
- 条件自动化：在 3 级，车辆可以在特定条件下（例如高速公路交通拥堵）处理大多数驾驶任务，但当系统发出警报时，人类必须准备好接管车辆。
- 高度与完全自动化：4 级和 5 级代表了无需人工输入即可操作的车辆。4 级仅限于地理围栏区域，而 5 级则旨在实现任何道路上的完全自主，这通常需要强大的 Edge AI 硬件。
Link to this section现实世界的 AI 应用#
自动驾驶车辆技术目前正部署在各个领域，依靠繁重的 机器学习 (ML) 计算来处理现实世界的复杂性。
-
无人驾驶出租车：像 Waymo 这样的公司利用完全自动驾驶的车队在城市环境中运送乘客。这些车辆使用 预测建模 来预判行人和其他驾驶员在复杂城市景观中的行为。
-
自动驾驶卡车：长途物流受益于在可预测高速公路路线上的自动化技术。像 Aurora 这样的创新者正在开发自动驾驶卡车，利用远距离感知来提高燃油效率和安全性。
-
末端配送：小型自动驾驶机器人使用 目标追踪 在人行道上导航并投递包裹，从而降低物流成本和碳足迹。
Link to this section区分相关概念#
将自动驾驶车辆与机器人和汽车领域的相关术语区分开来非常重要。
- 与 机器人技术 的区别：虽然自动驾驶车辆在技术上属于移动机器人，但机器人技术领域更为广泛，涵盖了固定式工业机械臂和人形助手。自动驾驶车辆是专门针对交通逻辑进行优化的。
- 与网联汽车 (V2X) 的区别：网联汽车相互之间 (V2V) 以及与基础设施 (V2I) 进行通信以共享速度和位置等数据。车辆可以联网但不一定具备自动驾驶能力，尽管联网通常会提高自动驾驶车辆的安全性。
- 与 远程操作 的区别：远程操作涉及由人类远程驾驶车辆。相比之下，真正的自动驾驶车辆依靠车载 神经网络在本地做出决策。
Link to this section使用 YOLO26 实现感知#
任何自动驾驶系统的关键组件都是能够随时间追踪物体的能力。以下示例演示了如何使用与 Ultralytics 平台 兼容的 ultralytics 库对视频进行目标追踪，从而模拟车辆的感知系统。
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
