Autonomous Vehicles

自动驾驶车辆（AVs）通常也称为无人驾驶汽车，是能够感知周围环境并在无需人类介入的情况下运行的智能交通系统。这些系统代表了汽车领域 AI创新的巅峰，将复杂的硬件与先进的软件算法相结合，以解读复杂的周围环境。AV 技术的主要目标是通过减少人为错误导致的事故来提升道路安全，同时优化交通效率，并为无法驾驶的人提供出行便利。从本质上说，这些车辆依靠人工智能（AI）来感知刺激、处理信息，并在瞬间做出驾驶决策。

感知与传感器技术#

为了安全地导航，自动驾驶车辆必须全面了解周围环境。这是通过感知层实现的，该感知层会汇总一组传感器提供的数据。

• 计算机视觉（CV）：摄像头充当主要的视觉传感器，模拟人类视觉。算法会处理视频流，以识别车道线、交通信号灯和交通标志。
• LiDAR 技术：激光探测与测距（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：深度学习模型能够识别动态障碍物并确定其位置。像 YOLO26 这样的高速模型对于以低延迟检测行人和其他车辆至关重要。
• 传感器融合：没有任何单一传感器能在所有条件下都表现完美（例如，摄像头在雾中的表现）。融合算法会结合摄像头、雷达和 LiDAR 的数据，构建稳健的环境模型。
• 语义分割：该技术会对图像中的每个像素进行分类，帮助车辆区分可行驶的道路表面、人行道和植被。

自动化级别#

自动驾驶系统的能力按照SAE J3016 驾驶自动化级别进行分类，该标准定义了计算机控制与人类介入的程度。

• 高级驾驶辅助系统（ADAS）：涵盖第 1 级和第 2 级，这些系统可辅助转向或加速（例如自适应巡航控制），但要求驾驶员持续保持注意力。
• 有条件自动化：在第 3 级中，车辆可以在特定条件下处理大多数驾驶任务，例如高速公路交通拥堵，但驾驶员必须在收到提醒时准备好接管驾驶。
• 高度自动化和完全自动化：第 4 级和第 5 级代表无需人类输入即可运行的车辆。第 4 级仅限于地理围栏区域，而第 5 级旨在实现任何道路上的完全自动驾驶，通常需要强大的 Edge AI 硬件。

真实世界中的 AI 应用#

自动驾驶车辆技术目前正应用于各个领域，并依赖大量的机器学习（ML）计算来处理现实世界的复杂性。

1. 机器人出租车：Waymo 等公司利用全自动驾驶车辆车队在城市环境中运送乘客。这些车辆使用预测建模来预测复杂城市环境中行人和其他驾驶员的行为。

2. 自动驾驶卡车运输：长途物流可受益于在可预测的高速公路路线上实现自动化。Aurora 等创新企业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。

3. 末端配送：小型自动驾驶机器人利用目标跟踪在​​人行道上导航并配送包裹，从而降低物流成本和碳足迹。

区分相关概念#

区分自动驾驶车辆与机器人和汽车领域中的相关术语非常重要。

• 与机器人技术的区别：虽然 AVs 在技术上属于移动机器人，但机器人技术的领域更广，还包括固定式工业机械臂和人形助手。AVs 专门针对交通逻辑进行设计。
• 与联网车辆（V2X）的区别：联网车辆会彼此通信（V2V），并与基础设施通信（V2I），以共享速度和位置等数据。车辆可以联网但不具备自动驾驶能力，不过联网通常会提升 AVs 的安全性。
• 与远程操控的区别：远程操控是指人类远程驾驶车辆。相比之下，真正的 AVs 依靠车载的神经网络在本地做出决策。

使用 Ultralytics YOLO26 实现感知#

任何自动驾驶系统的关键组件都是随时间跟踪目标的能力。以下示例演示了如何使用兼容 Ultralytics Platform 的 ultralytics 库对视频执行目标跟踪，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