Published May 30, 2022
| Version v1
Publication
Open
Proposing Lane and Obstacle Detection Algorithm Using YOLO to Control Self-Driving Cars on Advanced Networks
- 1. Hanoi University of Science and Technology
Description
Developing self-driving cars is an important foundation for the development of intelligent transportation systems with advanced telecommunications network infrastructure such as 6G networks. The paper mentions two main problems, namely, lane detection and obstacle detection (road signs, traffic lights, vehicles ahead, etc.) through image processing algorithms. To solve problems such as low detection accuracy of traditional image processing methods and poor real-time performance of methods based on deep learning methods, lane and object detection algorithm barriers for smart traffic are proposed. We first convert the distorting image caused by the camera and use a threshold algorithm for the lane detection algorithm. The image with a top-down view is then determined through the extraction of a region of interest and inverse perspective transform. Finally, we implement the sliding window method to determine pixels belonging to each lane and adapt it to a quadratic equation. YOLO algorithm is suitable for identifying many types of obstacles for identification problems. Finally, we use real-time videos and the TuSimple dataset to perform simulations for the proposed algorithm. The simulation results show that the accuracy of the proposal for detecting lanes is 97.91% and the processing time is 0.0021 seconds. The accuracy of the proposal for detecting obstacles is 81.90%, and the processing time is 0.022 seconds. Compared with the traditional image processing method, the average accuracy and execution time of the proposed method are 89.90% and 0.024 seconds, which is a strong antinoise ability. The results prove that the proposed algorithm can be deployed for self-driving car systems with a high processing speed of the advanced network.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعد تطوير السيارات ذاتية القيادة أساسًا مهمًا لتطوير أنظمة النقل الذكية مع البنية التحتية لشبكات الاتصالات المتقدمة مثل شبكات الجيل السادس. تذكر الورقة مشكلتين رئيسيتين، وهما اكتشاف الحارات والكشف عن العوائق (إشارات الطريق، وإشارات المرور، والمركبات الأمامية، وما إلى ذلك) من خلال خوارزميات معالجة الصور. لحل مشكلات مثل دقة الكشف المنخفضة لطرق معالجة الصور التقليدية والأداء الضعيف في الوقت الفعلي للطرق القائمة على طرق التعلم العميق، يتم اقتراح حواجز خوارزمية للكشف عن الحارات والكائنات لحركة المرور الذكية. نقوم أولاً بتحويل الصورة المشوهة التي تسببها الكاميرا ونستخدم خوارزمية الحد الأدنى لخوارزمية الكشف عن المسار. ثم يتم تحديد الصورة ذات العرض من أعلى إلى أسفل من خلال استخراج منطقة الاهتمام وتحويل المنظور العكسي. أخيرًا، ننفذ طريقة النافذة المنزلقة لتحديد وحدات البكسل التي تنتمي إلى كل حارة وتكييفها مع معادلة تربيعية. خوارزمية YOLO مناسبة لتحديد العديد من أنواع العقبات التي تواجه مشاكل تحديد الهوية. أخيرًا، نستخدم مقاطع الفيديو في الوقت الفعلي ومجموعة بيانات TuSimple لإجراء عمليات محاكاة للخوارزمية المقترحة. تظهر نتائج المحاكاة أن دقة اقتراح الكشف عن الممرات هي 97.91 ٪ ووقت المعالجة هو 0.0021 ثانية. تبلغ دقة مقترح الكشف عن العوائق 81.90%، ووقت المعالجة 0.022 ثانية. بالمقارنة مع طريقة معالجة الصور التقليدية، فإن متوسط الدقة ووقت التنفيذ للطريقة المقترحة هو 89.90 ٪ و 0.024 ثانية، وهي قدرة مضادة قوية. أثبتت النتائج أنه يمكن نشر الخوارزمية المقترحة لأنظمة السيارات ذاتية القيادة بسرعة معالجة عالية للشبكة المتقدمة.Translated Description (French)
Le développement de voitures autonomes est une base importante pour le développement de systèmes de transport intelligents avec des infrastructures de réseau de télécommunications avancées telles que les réseaux 6G. L'article mentionne deux problèmes principaux, à savoir la détection de voie et la détection d'obstacle (panneaux de signalisation, feux de circulation, véhicules devant, etc.) grâce à des algorithmes de traitement d'image. Pour résoudre des problèmes tels que la faible précision de détection des méthodes de traitement d'image traditionnelles et la mauvaise performance en temps réel des méthodes basées sur des méthodes d'apprentissage profond, des barrières d'algorithme de détection de voie et d'objet pour le trafic intelligent sont proposées. Nous convertissons d'abord l'image déformante causée par la caméra et utilisons un algorithme de seuil pour l'algorithme de détection de voie. L'image avec une vue de haut en bas est ensuite déterminée par l'extraction d'une région d'intérêt et la transformation en perspective inverse. Enfin, nous mettons en œuvre la méthode de la fenêtre glissante pour déterminer les pixels appartenant à chaque voie et l'adapter à une équation quadratique. L'algorithme Yolo est adapté pour identifier de nombreux types d'obstacles pour les problèmes d'identification. Enfin, nous utilisons des vidéos en temps réel et l'ensemble de données TuSimple pour effectuer des simulations pour l'algorithme proposé. Les résultats de la simulation montrent que la précision de la proposition de détection de voies est de 97,91 % et que le temps de traitement est de 0,0021 seconde. La précision de la proposition de détection d'obstacles est de 81,90 %, et le temps de traitement est de 0,022 seconde. Par rapport à la méthode traditionnelle de traitement d'image, la précision moyenne et le temps d'exécution de la méthode proposée sont de 89,90 % et 0,024 seconde, ce qui est une forte capacité anti-bruit. Les résultats prouvent que l'algorithme proposé peut être déployé pour des systèmes de voiture autonome avec une vitesse de traitement élevée du réseau avancé.Translated Description (Spanish)
El desarrollo de automóviles autónomos es una base importante para el desarrollo de sistemas de transporte inteligentes con infraestructura de red de telecomunicaciones avanzada, como las redes 6G. El documento menciona dos problemas principales, a saber, la detección de carriles y la detección de obstáculos (señales de tráfico, semáforos, vehículos delante, etc.) a través de algoritmos de procesamiento de imágenes. Para resolver problemas como la baja precisión de detección de los métodos tradicionales de procesamiento de imágenes y el bajo rendimiento en tiempo real de los métodos basados en métodos de aprendizaje profundo, se proponen barreras de algoritmos de detección de carriles y objetos para el tráfico inteligente. Primero convertimos la imagen distorsionada causada por la cámara y usamos un algoritmo de umbral para el algoritmo de detección de carril. La imagen con una vista de arriba hacia abajo se determina a través de la extracción de una región de interés y la transformada de perspectiva inversa. Finalmente, implementamos el método de ventana deslizante para determinar los píxeles pertenecientes a cada carril y adaptarlo a una ecuación cuadrática. El algoritmo Yolo es adecuado para identificar muchos tipos de obstáculos para problemas de identificación. Por último, utilizamos vídeos en tiempo real y el conjunto de datos TuSimple para realizar simulaciones para el algoritmo propuesto. Los resultados de la simulación muestran que la precisión de la propuesta de detección de carriles es del 97,91% y el tiempo de procesamiento es de 0,0021 segundos. La precisión de la propuesta de detección de obstáculos es del 81,90%, y el tiempo de procesamiento es de 0,022 segundos. En comparación con el método tradicional de procesamiento de imágenes, la precisión promedio y el tiempo de ejecución del método propuesto son del 89.90% y 0.024 segundos, lo que es una fuerte capacidad anti-ruido. Los resultados demuestran que el algoritmo propuesto se puede implementar para sistemas de automóviles autónomos con una alta velocidad de procesamiento de la red avanzada.Files
3425295.pdf.pdf
Files
(15.8 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:46e0d601cc65c0bcbed110379f39c08f
|
15.8 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- اقتراح خوارزمية الكشف عن الحارات والعقبات باستخدام YOLO للتحكم في السيارات ذاتية القيادة على الشبكات المتقدمة
- Translated title (French)
- Proposer un algorithme de détection de voie et d'obstacle à l'aide de Yolo pour contrôler les voitures autonomes sur les réseaux avancés
- Translated title (Spanish)
- Propuesta de Algoritmo de Detección de Carriles y Obstáculos Usando Yolo para Controlar Coches Autónomos en Redes Avanzadas
Identifiers
- Other
- https://openalex.org/W4281763739
- DOI
- 10.1155/2022/3425295
References
- https://openalex.org/W1516464925
- https://openalex.org/W1861492603
- https://openalex.org/W1921093919
- https://openalex.org/W1980026261
- https://openalex.org/W2054970201
- https://openalex.org/W2062120829
- https://openalex.org/W2063800913
- https://openalex.org/W2070724998
- https://openalex.org/W2103866601
- https://openalex.org/W2108940052
- https://openalex.org/W2115579991
- https://openalex.org/W2123887775
- https://openalex.org/W2138273245
- https://openalex.org/W2146338644
- https://openalex.org/W2148632471
- https://openalex.org/W2150066425
- https://openalex.org/W2167222293
- https://openalex.org/W2492802146
- https://openalex.org/W2587220696
- https://openalex.org/W2607537553
- https://openalex.org/W2738002531
- https://openalex.org/W2769275540
- https://openalex.org/W2781593575
- https://openalex.org/W2790715811
- https://openalex.org/W2801378207
- https://openalex.org/W2807119280
- https://openalex.org/W2808357662
- https://openalex.org/W2883607191
- https://openalex.org/W2913443784
- https://openalex.org/W2937013468
- https://openalex.org/W2963037989
- https://openalex.org/W2963223517
- https://openalex.org/W2977686266
- https://openalex.org/W3113978062
- https://openalex.org/W3132239892