論文の概要: Vision-Based Lane Following and Traffic Sign Recognition for Resource-Constrained Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2604.22872v1
- Date: Thu, 23 Apr 2026 20:19:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.017186
- Title: Vision-Based Lane Following and Traffic Sign Recognition for Resource-Constrained Autonomous Vehicles
- Title（参考訳）: 資源拘束型自律走行車における視線追従と交通信号認識
- Authors: Md Tanjemul Islam, Md Rafiul Kabir,
- Abstract要約: 本稿では,車線検出,車線追跡,交通信号認識を組み込んだ視覚ベースフレームワークを提案する。
規則に基づく操舵制御装置は、安定した車両ナビゲーションを維持するための操舵コマンドを生成する。
実験によると、システムは3.16%の最大オフセットRMSEで正確な車線追跡を維持しながら、リアルタイムのパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous vehicles (AVs) rely on real-time perception systems to understand road environments and ensure safe navigation. However, implementing reliable perception algorithms on resource-constrained embedded platforms remains challenging due to limited computational resources. This paper presents a lightweight vision-based framework that integrates lane detection, lane tracking, and traffic sign recognition for embedded autonomous vehicles. A computationally efficient threshold-based lane segmentation method combined with perspective transformation and histogram-based curvature estimation is used for robust lane tracking under varying illumination conditions. A rule-based steering controller generates steering commands to maintain stable vehicle navigation. For traffic sign recognition, two lightweight convolutional neural networks (CNNs), EfficientNet-B0 and MobileNetV2, are evaluated using a custom dataset captured from the vehicle's onboard camera. Experimental results show that the system achieves real-time performance while maintaining accurate lane tracking with only 3.16% maximum offset RMSE. EfficientNet-B0 achieves a high offline classification accuracy of 98.77% on the test dataset, while achieving 90% accuracy during real-time on-device deployment, outperforming MobileNetV2 in both settings. MobileNetV2, however, offers slightly faster inference and lower computational cost. These results highlight the effectiveness of lightweight vision-based perception pipelines for resource-constrained autonomous driving applications.
- Abstract（参考訳）: 自動運転車(AV)は、道路環境を理解し、安全なナビゲーションを確保するために、リアルタイムの認識システムに依存している。
しかし,資源制約のある組込みプラットフォーム上での信頼性認識アルゴリズムの実装は,限られた計算資源のため,依然として困難である。
本稿では,車線検出,車線追跡,交通信号認識を組み込んだ軽量な視覚ベースフレームワークを提案する。
透視変換とヒストグラムに基づく曲率推定を併用した計算効率のよいしきい値線分割法を, 照明条件の異なるロバストレーン追跡に用いた。
規則に基づく操舵制御装置は、安定した車両ナビゲーションを維持するための操舵コマンドを生成する。
交通信号認識では,車載カメラから取得したカスタムデータセットを用いて,2つの軽量畳み込みニューラルネットワーク(CNN),EfficientNet-B0,MobileNetV2を評価する。
実験の結果,3.16%の最大オフセットRMSEで正確な車線追跡を維持しつつ,実時間性能を実現していることがわかった。
EfficientNet-B0は、テストデータセットで98.77%のオフライン分類精度を達成し、リアルタイムオンデバイスデプロイメント中に90%の精度を達成し、両方の設定でMobileNetV2を上回っている。
しかしMobileNetV2は少し高速な推論と計算コストの低減を提供する。
これらの結果は、リソース制約された自律運転アプリケーションに対する軽量視覚ベースの知覚パイプラインの有効性を強調している。
関連論文リスト
- Video Detector: A Dual-Phase Vision-Based System for Real-Time Traffic Intersection Control and Intelligent Transportation Analysis [0.0]
本研究では,二相視覚に基づく交通交差点管理システムであるビデオ検出器(VD)について述べる。
このフレームワークは、交差点制御のためのリアルタイムモジュール(VD-RT)と、詳細な交通行動解析のためのオフライン分析モジュール(VD-Offline)を統合する。
実験の結果、最大90%の精度と29.5 mAP@0.5の検知性能を示し、HDビデオストリーム上で37 FPSのリアルタイムスループットを維持した。
論文 参考訳（メタデータ） (2026-03-16T06:02:43Z) - AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild [62.47761809929869]
視覚言語ナビゲーション(VLN)は、視覚的観察とともに言語指示を解釈することで、知的エージェントが環境をナビゲートする必要がある。
無人航空機(UAV)の現在のVLN研究は、所定のルートに沿ってUAVを誘導するための詳細な指示に依存している。
本稿では,自律型UAVナビゲーションのためのエンド・ツー・エンドのビジョン・ランゲージ・アクションモデルであるAutoFlyを提案する。
論文 参考訳（メタデータ） (2026-02-10T11:08:07Z) - DriveFlow: Rectified Flow Adaptation for Robust 3D Object Detection in Autonomous Driving [85.14946767994932]
DriveFlowは、自律運転におけるデータ強化をトレーニングするためのRectified Flow Adaptation法である。
これは、精密な3次元オブジェクト形状を維持するために、フォアグラウンドの高周波アライメント損失を組み込む。
また、バックグラウンドをデュアル周波数で最適化し、編集の柔軟性とセマンティック一貫性のバランスをとる。
論文 参考訳（メタデータ） (2025-11-24T03:12:43Z) - Edge-Based Multimodal Sensor Data Fusion with Vision Language Models (VLMs) for Real-time Autonomous Vehicle Accident Avoidance [12.513296074529727]
本稿では,自律走行のためのリアルタイムエッジベース自律走行軌道プランナ(REACT)を提案する。
REACTは、微調整軽量ビジョンランゲージモデル(VLM)に基づくADのためのV2X統合軌道最適化フレームワークである。
DeepAccidentベンチマークで評価されたREACTは、最先端の性能、77%の衝突率の低減、48.2%のビデオパノプティクス品質(VPQ)、およびJetson AGX Orinでの0.57秒の推論遅延を実現している。
論文 参考訳（メタデータ） (2025-08-01T20:16:04Z) - Video-based Traffic Light Recognition by Rockchip RV1126 for Autonomous Driving [19.468567166834585]
リアルタイムの交通信号認識は、都市環境における自動運転の安全性とナビゲーションに不可欠である。
我々は、複数の連続するフレームを処理し、堅牢なトラフィック光検出と状態分類を実現する、ビデオベースの新しいエンドツーエンドニューラルネットワークであるtextitViTLRを提案する。
我々は、自走運転用HDマップを用いて、TextitViTLRをエゴレーン交通信号認識システムに統合することに成功している。
論文 参考訳（メタデータ） (2025-03-31T11:27:48Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Visual Perception System for Autonomous Driving [9.659835301514288]
本研究は、走行物体の軌跡追跡と予測を統合して衝突を防止する、自律走行のための視覚的認識システムを導入する。
このシステムは歩行者の動きの手がかりを利用して、その動きを監視し、予測し、同時に環境をマッピングする。
このアプローチの性能、効率、レジリエンスは、シミュレーションと実世界の両方のデータセットの包括的な評価によって実証される。
論文 参考訳（メタデータ） (2023-03-03T23:12:43Z) - Efficient Perception, Planning, and Control Algorithm for Vision-Based Automated Vehicles [0.0]
本研究は、視覚に基づく自動車両の運転のための効率的な枠組みを提案する。
このフレームワークは単眼カメラとレーダーのみを必要とする。
実験により、提案された自律運転システムは、現在の自動運転車に適用可能であることが示された。
論文 参考訳（メタデータ） (2022-09-15T04:51:17Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。