16793

شناسايي علائم راهنمايي و رانندگي با استفاده از يادگيري عميق

1402

دكتر سيد حميد حاجي سيدجوادي

با حركت شـتابان صـنعت حملونقل به سـمت سـطوح بالاي خودمختاري، توسـعه سـيسـتمهاي بينايي ماشـين كه قادر به درك محيط با دقتي فراتر از انسـان باشـند، به يك ضـرورت انكارناپذير تبديل شـده اسـت. در اين ميان، تشـخيص بلادرنگ علائم راهنمايي و رانندگي (TSR (به عنوان يكي از اركان اصـلي «پشـته ادراكي» خودروهاي هوشـمند، نقشـي حياتي در تضـمين ايمني و اجراي قوانين ترافيكي ايفا ميكند. با وجود پيشـرفتهاي چشـمگير، پايداري اين سيستمها همچنان در مواجهه با چالشهاي محيطي نظير تغييرات شديد نوري، انسداد ديد و شرايط جوي نامساعد، يك مسئله باز تحقيقاتي است. اين پژوهش با رويكردي نوين، به پيادهســازي و ارزيابي الگوريتم پيشــرفته 8YOLOv جهت تشــخيص علائم ترافيكي در بسـتر شـبيهسـاز واقعگرايانه CARLA ميپردازد. انتخاب محيط شـبيهسـازي، امكان توليد و آزمون سـناريوهاي پيچيده و خطرناكي را فراهم آورده كه تجربه آنها در محيط واقعي پرهزينه و دشـوار اسـت. در اين راســتا، مدل 8YOLOv به دليل معماري بهينه در تعادل ميان ســرعت و دقت، براي پردازش بلادرنگ تصــاوير انتخاب شده و با استفاده از دادههاي استخراج شده از محيط شبيهسازي، تحت آموزش و آزمون قرار گرفته است. و نرخ فراخواني 1 ارزيابيهاي كمي بر اســاس معيارهاي اســتاندارد نظير ميانگين دقت متوســط (mAP(، دقت 2 مدل پيشـنهادي در شـناسـايي و طبقهبندي 3 صـورت پذيرفت. تحليل نتايج آزمايشها نشـاندهنده عملكرد پايدار علائم در شـرايط متنوع محيطي اســت. يافتههاي اين تحقيق مؤيد آن اســت كه بهرهگيري از معماريهاي نوين يادگيري عميق در كنار محيطهاي شــبيهســازي قدرتمند، ميتواند راهكاري مؤثر جهت ارتقاي ايمني و كارايي 4 سيستمهاي كمكراننده پيشرفته باشد

9/30/2024 12:00:00 AM

89549

1404/11/11