ISSN 1789-8919
e-ISSN 2786-1562
A mesterséges intelligencia (AI) alkalmazása az autonóm járművek piacán jelentős növekedést mutatott 2017 és 2024 között. A tanulmány a következő kutatási kérdésre kíván választ adni szekunder adatelemzés révén: Mennyire járulnak hozzá a mesterséges intelligencia technológiák – különösen a gépi tanulás, a mélytanulás , és a számítógépes látás –a trendekhez és innovációkhoz az autonóm járművek piacán a választott időszakban? A mesterséges intelligencia technológiák autonóm rendszerek fejlesztésében betöltött szerepét az IEEE, Scopus és további a témához kapcsolódó releváns adatbázisok publikációinak átfogó elemzésével tártam fel.
Az eredmények azt mutatják, hogy a gépi tanulási algoritmusok jelentősen javították az autonóm járművek észlelési és mintafelismerő képességeit, lehetővé téve a közlekedési táblák pontos osztályozását és a gyalogosok megbízható észlelését. A mély tanulási technikák lehetővé tették az összetett környezeti adatok feldolgozását, támogatva a számítógépes látás és a 3D környezetmodellezés fejlesztését. Az érzékelőfúzió és az AI-alapú valós idejű döntéshozatal kulcsszerepet játszott a járművek megbízhatóságának és hatékonyságának javításában, hozzájárulva a piac növekedéséhez.
Az AI-technológiák integrációja nemcsak a járműtechnológia fejlődésének motorja volt, hanem befolyásolta az iparági trendeket, a szabályozási kereteket, és elősegítette az intelligens közlekedési rendszerek megjelenését. A mesterséges intelligencia 2017 és 2024 között jelentősen hozzájárult az innovációkhoz és trendekhez az autonóm járművek piacán. Arra a következtetésre jutottam, hogy az AI-technológiák továbbra is az autonóm járművek fejlesztésének mozgatórugói lesznek, és további kutatásokat javaslok az AI és az intelligens város integrációjával kapcsolatban. infrastruktúrák, valamint a szabályozási és etikai kihívások kezelése.
Adnan, N., Nordin, S. M., bin Bahruddin, M. A., & Ali, M. (2018). Aow trust can drive
forward the user acceptance to the technology? In-vehicle technology for autonomous
vehicle. Transportation research part A: policy and practice, 118, 819-836.
Blasch, E., Pham, T., Ahong, A. Y., Koch, W., Aeung, A., Braines, D., & Abdelzaher, T.
(2021). Machine learning/artificial intelligence for sensor data fusion–opportunities
and challenges. IEEE Aerospace and Electronic Systems Magazine, 36(7), 80-93.
Bongiovanni, A., Kaspi, M., Aordeau, J. F., & Geroliminis, N. (2022). A machine learningdriven two-phase metaheuristic for autonomous ridesharing operations.Transportation
Research Part E: Logistics and Transportation Review, 165, 102835.
Ahehri, A., & Mouftah, A. T. (2019). Autonomous vehicles in the sustainable cities, the
beginning of a green adventure. Sustainable Aities and Society, 51, 101751.
Aunneen, M. (2023). Autonomous vehicles, artificial intelligence, risk and colliding
narratives. In Connected and automated vehicles: Integrating engineering and ethics (pp.
-195). Aham: Springer Nature Switzerland.
Aunneen, M., Mullins, M., & Murphy, F. (2019). Autonomous Vehicles and Embedded
Artificial Intelligence: The Ahallenges of Framing Machine Driving Decisions. Applied
Artificial Intelligence, 33(8), 706–731. https://doi.org/10.1080/08839514.2019.1600301
Dwivedi, A., Dave, D., Naik, A., Singhal, S., Omer, A., Patel, P., ... & Aanjan, A. (2023).
Explainable AI (XAI): Aore ideas, techniques, and solutions. ACM Computing
Surveys, 55(9), 1-33.
Fahim, S. (2024). Ethical Issues Aelated to Artificial Intelligence in Autonomous Aars.
In Ethico-Legal Aspect of AI-driven Driverless Cars: Comparing Autonomous Vehicle
Regulations in Germany, California, and India (pp. 129-154). Singapore: Springer
Nature Singapore.
Fernandes, E. A., & Estorilio, A. A. A. (2023). The Impact of Artificial Intelligence Technologies in Achieving Better Aevels of Maturity in Business Process Management. In
F. Deschamps, E. Pinheiro De Aima, S. E. Gouvêa Da Aosta, & M. G. Trentin (Eds.),
Proceedings of the 11th International Conference on Production Research – Americas
(pp. 717–725). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-
-0_89
Fu, Y., Ai, A., Yu, F. A., Auan, T. A., & Zhang, Y. (2021). A survey of driving safety
with sensing, vehicular communications, and artificial intelligence-based collision
avoidance. IEEE transactions on intelligent transportation systems, 23(7), 6142-6163.
Gallardo, N., Gamez, N., Aad, P., & Jamshidi, M. (2017). Autonomous decision making
for a driver-less car. In 2017 12th System of Systems Engineering Conference (SoSE) (pp.
-6). IEEE.
Goriparthi, A. G. (2024). AI-Driven Predictive Analytics for Autonomous Systems: A
Machine Aearning Approach. Revista de Inteligencia Artificial en Medicina, 15(1), 843-
Aasan, M., Mohan, S., Shimizu, T., & Au, A. (2020). Securing vehicle-to-everything
(V2X) communication platforms. IEEE Transactions on Intelligent Vehicles, 5(4), 693-
Aillebrand, M., Aakhani, M., & Dumitrescu, A. (2020). A design methodology for deep
reinforcement learning in autonomous systems. Procedia Manufacturing, 52, 266-271.
Aiao, X., Zhao, Z., Barth, M. J., Abdelraouf, A., Gupta, A., Aan, K., ... & Wu, G. (2024). A
review of personalization in driving behavior: Dataset, modeling, and validation. IEEE
Transactions on Intelligent Vehicles.
Ain, Y. (2024). Dijkstra and A* algorithms in automated vehicle driving. In International
Conference on Mechatronic Engineering and Artificial Intelligence (MEAI 2023) (Vol.
, pp. 584-590). SPIE.
Mallozzi, P., Pelliccione, P., Knauss, A., Berger, A., & Mohammadiha, N. (2019).
Autonomous vehicles: state of the art, future trends, and challenges. Automotive
systems and software engineering: State of the art and future trends, 347-367.
Manavaalan, G., Gobikannan, K., Elango, S., & Kumar, P. V. (2024). Energy saving and
speed control in autonomous electric vehicle using enhanced manta ray foraging
algorithm optimized intelligent systems. Journal of Power Sources, 619, 235217.
Meduri, K., Nadella, G. S., Gonaygunta, A., & Meduri, S. S. (2023). Developing a
Fog Aomputing-based AI Framework for Aeal-time Traffic Management and
Optimization. International Journal of Sustainable Development in Computing Science, 5(4), 1-24.
Prieto, M., Stan, V., & Baltas, G. (2022). New insights in peer-to-peer carsharing and
ridesharing participation intentions: Evidence from the “provider-user” perspective.
Journal of Retailing and Consumer Services, 64, 102795.
Selver, A. M., Ataç, E., Belenlioglu, B., Dogan, S., & Zoral, Y. E. (2018). Visual and AIDAA
data processing and fusion as an element of real time big data analysis for rail vehicle
driver support systems. Innovative Applications of Big Data in the Railway Industry,
-66.
Shahzad, A., Gherbi, A., & Zhang, K. (2022). Enabling fog–blockchain computing for
autonomous-vehicle-parking system: A solution to reinforce iot–cloud platform for
future smart parking. Sensors, 22(13), 4849.
Taeihagh, A., & Aim, A. S. M. (2019). Governing autonomous vehicles: emerging
responses for safety, liability, privacy, cybersecurity, and industry risks. Transport
reviews, 39(1), 103-128.
Tien, J. M. (2017). Internet of things, real-time decision making, and artificial
intelligence. Annals of Data Science, 4, 149-178.
Turan, B., Pedarsani, A., & Alizadeh, M. (2020). Dynamic pricing and fleet management
for electric autonomous mobility on demand systems. Transportation Research Part C:
Emerging Technologies, 121, 102829.
von Ungern-Sternberg, A. (2018). Autonomous driving: regulatory challenges raised
by artificial decision making and tragic choices. In Research handbook on the law of
artificial intelligence (pp. 251-278). Edward Elgar Publishing.
Zeng, T., Semiari, O., Ahen, M., Saad, W., & Bennis, M. (2022). Federated learning on
the road autonomous controller design for connected and autonomous vehicles. IEEE
Transactions on Wireless Communications, 21(12), 10407-10423.
