Implementation of Real-Time Lane Detection on Autonomous Mobile Robot

要約

この論文では、自律移動ロボットへの学習ベースの車線検出アルゴリズムの実装について説明します。
カメラを使用して SEATER P2MC-BRIN プロトタイプにリアルタイム アプリケーション用の超高速車線検出アルゴリズムを実装し、Jetson Nano プラットフォームでそのパフォーマンスを最適化することを目的としています。
2 種類のデータセットを使用して、データ処理速度と精度の観点からアルゴリズムのパフォーマンスを評価するための予備実験が行われました。屋外では公開データセットを使用し、屋内ではバンドンの BRIN ワークショップ ビルの屋内エリアからの内部データセットを使用しました。
実験の結果、TensorRT への変換後の Jetson Nano プラットフォームでは、ONNX モデルと比較してアルゴリズムがより最適に実行され、CULane を使用した場合は約 101 ミリ秒、TuSimple を使用した場合は 105 ミリ秒という、以前のモデルよりも約 22 倍高速な処理速度を達成したことが明らかになりました。
このアルゴリズムは屋外の公開データセットでは良好な精度を示しますが、屋内データセットではパフォーマンスが不十分です。
今後の作業は、屋内車線検出の精度を高めるための転移学習と微調整に焦点を当てる必要があります。

要約(オリジナル)

This paper describes the implementation of a learning-based lane detection algorithm on an Autonomous Mobile Robot. It aims to implement the Ultra Fast Lane Detection algorithm for real-time application on the SEATER P2MC-BRIN prototype using a camera and optimize its performance on the Jetson Nano platform. Preliminary experiments were conducted to evaluate the algorithm’s performance in terms of data processing speed and accuracy using two types of datasets: outdoor using a public dataset and indoor using an internal dataset from the indoor area of the BRIN Workshop Building in Bandung. The experiments revealed that the algorithm runs more optimally on the Jetson Nano platform after conversion to TensorRT compared to the ONNX model, achieving processing speeds of approximately 101 ms using CULane and 105 ms using TuSimple, which is about 22 times faster than the previous model. While the algorithm demonstrates good accuracy on the outdoor public dataset, its performance falls short on the indoor dataset. Future work should focus on transfer learning and fine-tuning to enhance indoor lane detection accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google