TwinLiteNet: نموذج فعال وخفيف الوزن لتمييز المنطقة القابلة للقيادة والمسارات في السيارات ذاتية القيادة

التمييز الدلالي (Semantic Segmentation) هو مهمة شائعة في القيادة الذاتية لفهم البيئة المحيطة. يعتبر تمييز المناطق القابلة للقيادة وكشف خطوط الطرق مهمتين حاسمتين للملاحة الآمنة والفعالة على الطريق. ومع ذلك، فإن نماذج التمييز الدلالي الأصلية تكون باهظة الحساب وتتطلب أجهزة متقدمة، مما يجعلها غير عملية للأنظمة المدمجة في المركبات ذاتية القيادة. تقدم هذه الورقة نموذجًا خفيف الوزن لتمييز المناطق القابلة للقيادة وخطوط الطرق. تم تصميم TwinLiteNet بتكاليف منخفضة ولكنه يحقق نتائج دقيقة وفعالة في التمييز. قمنا بتقييم TwinLiteNet على مجموعة بيانات BDD100K ومقارنة أدائه مع النماذج الحديثة. تظهر النتائج التجريبية أن TwinLiteNet يؤدي بشكل مشابه للأساليب الموجودة، مع الحاجة إلى موارد حسابية أقل بكثير. وبشكل محدد، حقق TwinLiteNet درجة mIoU قدرها 91.3% في مهمة تمييز المناطق القابلة للقيادة ودرجة IoU قدرها 31.08% في مهمة كشف خطوط الطرق باستخدام فقط 0.4 مليون معلمة وحقق سرعة 415 إطارًا في الثانية (FPS) على بطاقة الرسومات RTX A5000. بالإضافة إلى ذلك، يمكن لـ TwinLiteNet العمل في الوقت الفعلي على الأجهزة المدمجة ذات القدرة الحاسوبية المحدودة، خاصة أنه يحقق سرعة 60 إطارًا في الثانية (FPS) على جهاز Jetson Xavier NX، مما يجعله حلًّا مثاليًا للمركبات ذاتية القيادة. الكود متاح على الرابط التالي: url{https://github.com/chequanghuy/TwinLiteNet}.