Resumen

En el sistema de mantenimiento automático de carril (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 curvas y situaciones de oclusión. Sin embargo, los algoritmos principales son difíciles de equilibrar entre precisión y eficiencia. En respuesta a esta situación, proponemos un método de un solo paso que produce directamente los parámetros del modelo de forma del carril. Este método utiliza MobileNet v2 y CNN espacial (SCNN) para construir una red que extrae rápidamente características del carril y aprende información de contexto global. Luego, a través de 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 de TuSimple. En comparación con los algorit

• 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