IndiVNet: Segmentación semántica adaptativa a la región para conducción autónoma en entornos no estructurados

Área de la Ciencia:

• Visión por Computadora
• Robótica
• Inteligencia Artificial

Sus antecedentes:

• La navegación autónoma enfrenta desafíos en las regiones en desarrollo debido al tráfico heterogéneo y la infraestructura vial deficiente.
• Los modelos actuales de segmentación semántica, entrenados con datos estructurados, carecen de capacidades de generalización para entornos no estructurados.

Objetivo del estudio:

• Proponer IndiVNet, una arquitectura novedosa de segmentación semántica diseñada para escenarios de conducción indios no estructurados.
• Mejorar la robustez y escalabilidad de los sistemas de navegación autónoma en diversas condiciones del mundo real.

Principales métodos:

• Se introdujo un codificador de dilatación progresiva (6→16) dentro de la arquitectura IndiVNet para capturar información contextual multiescala de manera efectiva.
• Se entrenó y evaluó el modelo en el conjunto de datos India Driving Dataset (IDD) y el conjunto de datos CAMVID.

Principales resultados:

• IndiVNet logró un 69,98 % de Intersection over Union media (mIoU) en el IDD, superando las bases de comparación existentes de CNN y Transformer.
• Demostró una fuerte generalización entre dominios al alcanzar un mIoU del 73,2 % en el conjunto de datos CAMVID.
• El modelo equilibra la comprensión contextual con la eficiencia del procesamiento en tiempo real.

Conclusiones:

• IndiVNet proporciona una solución escalable y consciente de la región para una navegación autónoma robusta en entornos complejos y no estructurados.
• La arquitectura propuesta aborda las limitaciones de los modelos actuales en diversas condiciones de conducción.
• Este trabajo contribuye al avance de la tecnología de conducción autónoma en las regiones en desarrollo.