Resumen

En el sistema de mantenimiento de carril automático (ALKS), el vehículo debe detectar de manera estable y precisa el límite de su carril actual para un posicionamiento preciso. En la actualidad, la precisión de detección del algoritmo de carril basado en aprendizaje profundo tiene un avance mayor que la del algoritmo tradicional, y puede lograr mejores resultados de reconocimiento para situaciones de curvas y oclusión. Sin embargo, los algoritmos principales son difíciles de equilibrar entre precisión y eficiencia. Ante esta situación, proponemos un método de un solo paso que produce directamente los parámetros del modelo de forma de carril. Este método utiliza MobileNet v2 y CNN espacial (SCNN) para construir una red que extrae rápidamente las características del carril y aprende información de contexto global. Luego, a través de una regresión polinómica de profundidad, se produce un polinomio que representa cada marca de carril en la imagen. Finalmente, el método propuesto fue verificado en el conjunto de datos TuSimple. En comparación con los algoritmos existentes, logra un equilibrio entre precisión y eficiencia. Los experimentos muestran que la precisión de reconocimiento y la velocidad de detección de nuestro método en el mismo entorno han alcanzado el nivel de los algoritmos principales, logrando un equilibrio efectivo entre ambos.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Sistema automático de mantenimiento de carril; Aprendizaje profundo; Precisión de detección; Algoritmo de carril; MobileNet v2; CNN espacial.
• Keywords:Automatic lane-keeping system; Deep learning; Detection accuracy; Lane algorithm; MobileNet v2; Spatial CNN