Xe tự hành

Công nghệ cốt lõi thúc đẩy tính tự động

Khả năng vận hành an toàn của xe tự hành phụ thuộc vào bộ công nghệ tích hợp, chủ yếu được thúc đẩy bởi AI và ML, đặc biệt là Học sâu (DL) .

• Thị giác máy tính (CV) : Đây là điều cơ bản để AV "nhìn" và diễn giải thế giới. Camera thu thập dữ liệu hình ảnh, được xử lý bằng thuật toán CV để xác định làn đường, biển báo giao thông, người đi bộ, phương tiện khác và chướng ngại vật.
• Phát hiện đối tượng : Một nhiệm vụ CV quan trọng trong đó các mô hình xác định và định vị các đối tượng trong phạm vi quan sát của xe, thường vẽ một hộp giới hạn xung quanh mỗi mục được phát hiện. Các mô hình tiên tiến như Ultralytics YOLO11 thường được sử dụng vì khả năng suy luận theo thời gian thực , rất quan trọng đối với phản ứng nhanh. Bạn có thể khám phá các so sánh giữa các mô hình YOLO khác nhau để hiểu sự phát triển của chúng.
• Bộ cảm biến: AV thường sử dụng nhiều loại cảm biến:
  • Máy ảnh: Cung cấp thông tin hình ảnh phong phú.
  • LiDAR (Phát hiện ánh sáng và đo khoảng cách) : Sử dụng xung laser để tạo bản đồ 3D chi tiết về môi trường xung quanh, có hiệu quả trong nhiều điều kiện ánh sáng khác nhau.
  • Radar (Phát hiện và đo khoảng cách bằng sóng vô tuyến) : Sử dụng sóng vô tuyến để phát hiện vật thể và đo tốc độ của chúng, có độ tin cậy cao trong điều kiện thời tiết bất lợi như mưa hoặc sương mù.
• Hợp nhất cảm biến : Thuật toán kết hợp dữ liệu từ nhiều cảm biến khác nhau (camera, LiDAR, Radar, GPS, IMU) để tạo ra sự hiểu biết toàn diện và mạnh mẽ về môi trường. Điều này khắc phục được những hạn chế của bất kỳ loại cảm biến đơn lẻ nào.
• Lập kế hoạch đường đi : Thuật toán AI xác định lộ trình an toàn và hiệu quả nhất cùng quỹ đạo tức thời dựa trên môi trường, điểm đến, luật giao thông và động lực học của xe. Điều này liên quan đến các quy trình ra quyết định phức tạp.
• Hệ thống điều khiển: Biến đổi lộ trình đã định thành các hành động vật lý như lái, tăng tốc và phanh, thường sử dụng các nguyên lý từ ngành Robot .

Các cấp độ tự động hóa lái xe

Để chuẩn hóa các khả năng, SAE International định nghĩa sáu cấp độ tự động hóa lái xe , từ Cấp độ 0 (không tự động hóa) đến Cấp độ 5 (tự động hóa hoàn toàn, không cần người lái trong bất kỳ điều kiện nào). Nhiều Hệ thống hỗ trợ lái xe tiên tiến (ADAS) hiện tại rơi vào Cấp độ 1 và 2. Các công ty phát triển hệ thống hoàn toàn tự động thường nhắm mục tiêu Cấp độ 4 (tự động hóa cao trong các lĩnh vực thiết kế hoạt động cụ thể, như khu vực đô thị có hàng rào địa lý) hoặc Cấp độ 5.

Ứng dụng AI/ML trong thế giới thực trong xe tự hành

Xe tự hành không chỉ là khái niệm mang tính tương lai; chúng đang được phát triển và triển khai tích cực, thể hiện sức mạnh của AI trong các tình huống phức tạp trong thế giới thực.

1. Dịch vụ Robotaxi: Các công ty như Waymo (thuộc sở hữu của Google công ty mẹ của Alphabet) và Cruise (do GM sở hữu phần lớn) vận hành các dịch vụ gọi xe hoàn toàn tự động trong các khu vực hạn chế. Các phương tiện của họ sử dụng AI tinh vi để nhận thức ( tận dụng phát hiện và phân đoạn đối tượng ), dự đoán hành vi của những người tham gia giao thông khác và điều hướng qua các môi trường đô thị phức tạp. Các hệ thống này liên tục học hỏi và cải thiện dựa trên dữ liệu được thu thập trong quá trình vận hành, một nguyên tắc cốt lõi của Hoạt động học máy (MLOps) . Có thể tìm hiểu thêm thông tin chi tiết trong các cuộc thảo luận về AI trong Xe tự lái .
2. Phát hiện và tránh nguy hiểm: AV phải xác định và phản ứng với các mối nguy hiểm bất ngờ trên đường. Ví dụ, các mô hình phát hiện vật thể có thể được đào tạo tùy chỉnh bằng các nền tảng như Ultralytics HUB để phát hiện ổ gà, mảnh vỡ hoặc khu vực xây dựng. Một ví dụ liên quan đến việc sử dụng các mô hình YOLO để phát hiện ổ gà , cho phép AI của xe lập kế hoạch đường đi an toàn xung quanh chướng ngại vật hoặc cảnh báo hệ thống. Ứng dụng này nhấn mạnh nhu cầu về độ chính xác cao và độ trễ thấp trong phát hiện.

Phát triển và Đào tạo

Phát triển AV liên quan đến việc thử nghiệm và xác thực nghiêm ngặt, thường sử dụng các tập dữ liệu lớn như COCO hoặc các tập dữ liệu lái xe chuyên dụng như Argoverse . Việc đào tạo các mô hình học sâu cơ bản đòi hỏi các tài nguyên tính toán đáng kể ( GPU , TPU ) và các khuôn khổ như PyTorch hoặc TensorFlow . Các môi trường mô phỏng đóng vai trò quan trọng trong việc thử nghiệm các thuật toán một cách an toàn trong vô số tình huống trước khi triển khai trong thế giới thực. Việc triển khai mô hình thường liên quan đến các kỹ thuật tối ưu hóa như lượng tử hóa và các bộ tăng tốc phần cứng chuyên dụng ( thiết bị Edge AI , NVIDIA Jetson ). Toàn bộ vòng đời được hưởng lợi từ các hoạt động MLOps mạnh mẽ để cải tiến và giám sát liên tục.