TwinLiteNet: Ein effizientes und leichtgewichtiges Modell für die Segmentierung von fahrbaren Bereichen und Fahrbahnen in selbstfahrenden Fahrzeugen

Semantische Segmentierung ist eine häufige Aufgabe im autonomen Fahren, um die umliegende Umgebung zu verstehen. Die Segmentierung fahrbarer Bereiche und die Erkennung von Fahrbahnen sind besonders wichtig für sicheres und effizientes Navigation auf der Straße. Allerdings sind herkömmliche Modelle für semantische Segmentierung rechenaufwendig und erfordern hochwertige Hardware, was für eingebettete Systeme in autonomen Fahrzeugen nicht praktikabel ist. In dieser Arbeit wird ein leichtgewichtiges Modell für die Segmentierung fahrbarer Bereiche und Fahrbahnen vorgeschlagen. TwinLiteNet wurde kostengünstig entwickelt, erreicht jedoch genaue und effiziente Segmentierungsergebnisse. Wir evaluieren TwinLiteNet auf dem BDD100K-Datensatz und vergleichen es mit modernen Modellen. Die experimentellen Ergebnisse zeigen, dass unser TwinLiteNet vergleichbare Leistungen wie bestehende Ansätze zeigt, dabei aber erheblich weniger Rechenressourcen benötigt. Insbesondere erreicht TwinLiteNet einen mIoU-Wert von 91,3 % für die Aufgabe der Segmentierung fahrbarer Bereiche und einen IoU-Wert von 31,08 % für die Fahrbahnenerkennung mit nur 0,4 Millionen Parametern und erreicht 415 FPS auf einer GPU RTX A5000. Darüber hinaus kann TwinLiteNet in Echtzeit auf eingebetteten Geräten mit begrenzter Rechenleistung laufen, insbesondere da es 60 FPS auf einem Jetson Xavier NX erreicht, was es zur idealen Lösung für selbstfahrende Fahrzeuge macht. Der Quellcode ist verfügbar unter: \url{https://github.com/chequanghuy/TwinLiteNet}.