Evaluating Low-Resource Lane Following Algorithms for Compute-Constrained Automated Vehicles

要約

信頼性の高い車線追従は、自動運転やアシスト運転にとって不可欠であるが、既存のソリューションは、多くの場合、膨大な計算資源を必要とするモデルに依存しており、計算資源に制約のある車両への導入が制限されている。本研究では、限られた計算資源しか持たない車両でのリアルタイム運転用に設計された5つの低資源車線追従アルゴリズムを評価する。信頼性，快適性，速度，適応性などの評価指標を用いて，シミュレーションと実際のドライブ・バイ・ワイヤ電気自動車への配備により性能を評価した．最も高い性能を示した手法は、教師なし学習を使用して、1フレームあたりの処理時間が10ミリ秒未満で車線を検出・分離し、計算負荷が高く汎化性の低いディープラーニングアプローチを上回った。これらのアプローチは、照明条件、道路のテクスチャ、車線の形状に頑健であることを実証した。この発見は、自律走行車技術のアクセシビリティと信頼性を高める効率的な車線検出アプローチの可能性を強調するものである。コンピューティング要件を低減することで、アクティブセーフティシステムを含む低レベルの自動化の一部として、車線維持が広く車両に導入されることが可能になる。

要約(オリジナル)

Reliable lane-following is essential for automated and assisted driving, yet existing solutions often rely on models that require extensive computational resources, limiting their deployment in compute-constrained vehicles. We evaluate five low-resource lane-following algorithms designed for real-time operation on vehicles with limited computing resources. Performance was assessed through simulation and deployment on real drive-by-wire electric vehicles, with evaluation metrics including reliability, comfort, speed, and adaptability. The top-performing methods used unsupervised learning to detect and separate lane lines with processing time under 10 ms per frame, outperforming compute-intensive and poor generalizing deep learning approaches. These approaches demonstrated robustness across lighting conditions, road textures, and lane geometries. The findings highlight the potential for efficient lane detection approaches to enhance the accessibility and reliability of autonomous vehicle technologies. Reducing computing requirements enables lane keeping to be widely deployed in vehicles as part of lower-level automation, including active safety systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL