یادگیری عمیق و تشخیص بلادرنگ موانع در وسایل نقلیه خودران

توسعه وسایل نقلیه خودران پایه مهمی برای توسعه سیستم های حمل و نقل هوشمند با زیرساخت شبکه های مخابراتی پیشرفته مانند شبکه های ۶G است.در این مقاله مسئله اصلی و راهکار تشخیص علائم راهنمایی، چراغ های راهنمایی، وسایل نقلیه پیش رو و ... از طریق الگوریتم های یادگیری عمیق بررسیشده است. برای حل مسائلی مانند دقت پایین تشخیص روش های پردازش تصویر سنتی و عملکرد ضعیفدر زمان واقعی، روش های مبتنی بر روش های یادگیری عمیق برای مدیریت هوشمند ترافیک پیشنهاد شده است. از آنجا که الگوریتم YOLO دارای سرعت بالاتری نسبت به دیگر شبکه های عصبی است لذا برای شناسایی بسیاری از موانع مناسب تر است. به جهت اینکه امروزه ورژن های بالاتری از YOLO منتشر شده است در این مقاله برای پیاده سازی،YOLOV۵ و YOLOV۷ با دو مجموعه داده ی KITTI و IRANIAN CAR آموزش داده شده و نتایج شبیه سازی نشان می دهد که دقت الگوریتم پیشنهادی برای تشخیص موانع در YOLOV۵ که با دیتاست KITTI آموزش داده شده ۰.۹۹۵ می باشد. بنابراین الگوریتم پیشنهادی می تواند برای بینایی وسایل نقلیه خودران با سرعت پردازش بالای شبکه پیشرفته به کار گرفته شود.

کلیدواژه ها:

یادگیری عمیق ، شبکه های عصبی ، یادگیری ماشین ، تشخیص اشیاء ، شبکه YOLO .