自动驾驶车辆

自动驾驶汽车（AVs），通常被称为无人驾驶汽车，是能够感知环境并无需人工干预即可运行的智能交通系统。这些系统代表了汽车AI创新的巅峰，结合了复杂的硬件和先进的软件算法来解释复杂的周围环境。AV技术的主要目标是通过最大程度地减少人为错误造成的事故来提高道路安全性，同时优化交通效率，并为无法驾驶的人提供出行便利。这些车辆的核心是依赖人工智能（AI）来感知刺激、处理信息并做出瞬间的驾驶决策。

感知与传感器技术

为了使自动驾驶汽车安全导航，它必须全面了解其周围环境。这通过一个感知层实现，该感知层聚合来自一套传感器的数据。

• 计算机视觉 (CV)：摄像头作为主要的视觉传感器，模仿人类视觉。算法处理视频流以识别车道线、交通灯和标志。
• LiDAR 技术: 光探测与测距 (LiDAR) 利用激光脉冲创建精确、高分辨率的环境3D地图，这对于深度感知至关重要。
• 目标检测: 深度学习模型识别并定位动态障碍物。像YOLO26这样的高速模型对于低延迟地detect行人和其它车辆至关重要。
• 传感器融合：没有单一传感器能在所有条件下都完美无缺（例如，雾中的摄像头）。融合算法结合了来自摄像头、雷达和 LiDAR 的数据，以形成一个鲁棒的环境模型。
• 语义分割：该技术对图像中的每个像素进行分类，帮助车辆区分可行驶路面、人行道和植被。

自动驾驶等级

自动系统的能力通过SAE J3016驾驶自动化等级进行分类，这些等级定义了计算机控制与人工干预的程度。

• 高级驾驶辅助系统 (ADAS)：涵盖 1 级和 2 级，这些系统辅助转向或加速（例如自适应巡航控制），但 要求驾驶员保持参与。
• 有条件自动化：在L3级别，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，但人类必须在收到警报时准备接管。
• 高度与完全自动化：L4和L5级别代表无需人工干预即可运行的车辆。L4级别仅限于地理围栏区域，而L5级别旨在实现任何道路上的完全自动驾驶，通常需要强大的边缘AI硬件。

真实世界的人工智能应用

自动驾驶汽车技术目前正在各个领域部署，严重依赖大量的机器学习 (ML)计算以应对现实世界的复杂性。

1. 机器人出租车：Waymo 等公司利用全自动驾驶车队在城市环境中运送乘客。这些车辆使用 预测建模 来预测行人和其他驾驶员在复杂城市景观中的行为。
2. 自动驾驶卡车运输：长途物流受益于在可预测高速公路路线上的自动化。像 Aurora 这样的创新者正在开发自动驾驶卡车，利用远距离感知技术提高燃油效率和安全性。
3. 最后一公里配送：小型自主机器人使用 目标 track 在人行道上行驶并递送包裹， 从而降低物流成本和碳足迹。

区分相关概念

区分自动驾驶汽车与机器人和汽车领域中的相关术语很重要。

• 对比机器人学：尽管自动驾驶汽车在技术上属于移动机器人，但机器人学领域更为广泛，涵盖了固定式工业机械臂和类人助手。自动驾驶汽车专门用于交通运输逻辑。
• 对比 网联汽车 (V2X)：网联汽车通过车车通信 (V2V) 和车路通信 (V2I) 相互通信，共享速度和位置等数据。车辆可以联网但非自动驾驶，尽管联网通常能增强自动驾驶汽车的安全性。
• 对比 远程操作：远程操作涉及人类远程驾驶车辆。相比之下，真正的自动驾驶汽车依靠车载 神经网络进行本地决策。

使用YOLO26实现视觉感知

任何自动系统的一个关键组成部分是随时间track对象的能力。以下示例演示了如何使用 Ultralytics 平台 兼容的 ultralytics 库在视频上执行对象track，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