Modelo de detección de objetos de conducción autónoma cooperativa vehículo-carretera basado en el algoritmo mejorado...

Área de la Ciencia:

• Visión por computadora
• Inteligencia artificial
• Sistemas autónomos

Sus antecedentes:

• Los sistemas de conducción autónoma se enfrentan a desafíos en la detección precisa de objetivos pequeños y ocultos en escenas complejas de carretera y lejanas.
• Los algoritmos existentes luchan con una baja precisión de detección, falsos positivos y detecciones perdidas.

Objetivo del estudio:

• Desarrollar un algoritmo de detección de objetivos pequeños mejorado para la conducción autónoma basado en YOLOv11.
• Mejorar la extracción de características, la comprensión de objetivos pequeños y la eficiencia del modelo en escenarios complejos.

Principales métodos:

• Atención incorporada al canal transpuesto (módulo C3CTA) en la red troncal para mejorar la extracción de características y el manejo de la oclusión.
• Se introdujo la red de difusión enfocada en el cuello para mejorar la comprensión de pequeños objetivos en escenas complejas.
• Implementó una cabeza de detección convolucional compartida ligera para reducir los parámetros del modelo para los requisitos de ligereza.

Principales resultados:

• El algoritmo mejorado logró una precisión del 85,7%, un recuerdo del 79,4%, un mAP@0,5 del 85,3% y un mAP@0,5-95 del 61,3% en el conjunto de datos DAIR-V2X-I.
• Demostró mejoras significativas con respecto al modelo de referencia, con aumentos del 4,0%, 3,1%, 2,4% y 2,8% en las métricas clave.
• Se abordaron con éxito los desafíos de la oclusión superpuesta y se mejoró la extracción de las características objetivo del vehículo.

Conclusiones:

• El algoritmo propuesto basado en YOLOv11 mejora efectivamente la precisión de detección de objetivos pequeños en la conducción autónoma.
• La integración de C3CTA, red de pirámide de enfoque de difusión y cabeza de detección convolucional compartida ligera resulta efectiva.
• Este trabajo ofrece una solución novedosa para la detección robusta de objetivos en entornos de conducción autónoma desafiantes.