بررسی روش های نوین یادگیری عمیق در سیستم های خودران با تمرکز بر تشخیص اشیاء در شرایط محیطی متغیر

تشخیص اشیاء در شرایط محیطی متغیر یکی از چالش برانگیزترین مسائل در سیستم های خودران است. این مقاله با رویکردی تحلیلی-تجربی، معماری های پیشرفته یادگیری عمیق را برای تشخیص اشیاء در شرایط نامساعد محیطی بررسی می کند. پژوهش حاضر، پنج معماری پیشرفته شامل YOLOv۵، Faster R-CNN، EfficientDet، Swin Transformer و DETR را روی دیتاست های KITTI، Cityscapes، nuScenes، BDD۱۰۰K و Waymo Open Dataset ارزیابی کرده و با پیاده سازی روش های نوآورانه مانند توجه متقابل چند مقیاسی (MS-CA) و تکنیک های هیبریدی CNN-Transformer، دقت تشخیص را تا ۹۷.۸% در شرایط استاندارد و ۹۲.۴% در شرایط محیطی چالش برانگیز افزایش داده است. نتایج نشان می دهد که ترکیب معماری Swin Transformer با مکانیزم های توجه محلی و شبکه های عصبی کانولوشنی، مقاوم ترین عملکرد را در شرایط مه آلود (کاهش دقت تنها ۶.۱%) و بارانی (کاهش دقت ۴.۳%) داشته است. همچنین، تکنیک های داده افزایی فیزیک محور و آموزش انتقالی با استفاده از روش MAML، بهبود قابل توجهی در عملکرد سیستم در شرایط کم نور و نویزی ایجاد کرده است. این مقاله با ارائه یک چارچوب جامع برای بهینه سازی مدل های تشخیص اشیاء در شرایط محیطی متغیر، راهکارهای نوینی برای افزایش ایمنی سیستم های خودران معرفی می کند.

کلیدواژه ها:

سیستم های خودران ، یادگیری عمیق ، تشخیص اشیاء ، توجه متقابل چندمقیاسی ، معماری های هیبریدی ، شرایط محیطی متغیر ، Transformer