LDNet : Approche de détection des marquages routiers en boucle fermée utilisant un capteur de vision dynamique

Les véhicules modernes sont équipés de divers systèmes d’aide à la conduite, notamment le maintien automatique dans la voie, qui empêche les sorties de voie involontaires. Les méthodes traditionnelles de détection de lignes de chaussée reposent sur des caractéristiques manuellement conçues ou basées sur l’apprentissage profond, suivies de techniques de post-traitement pour extraire les marques de chaussée à l’aide de caméras RGB basées sur des trames. L’utilisation de caméras RGB basées sur des trames pour la détection de lignes présente des limitations importantes en raison des variations d’éclairage, des éblouissements solaires et du flou de mouvement, ce qui limite les performances des méthodes de détection de lignes. L’intégration d’une caméra à événements dans la chaîne de perception des véhicules autonomes apparaît comme l’une des solutions les plus prometteuses pour surmonter les défis posés par les caméras RGB traditionnelles. La contribution principale de ce travail réside dans la conception d’un modèle de détection des marques de chaussée exploitant un capteur visuel dynamique. Cette étude explore une application novatrice de la détection des marques de chaussée à l’aide d’une caméra à événements, en proposant un encodeur convolutif suivi d’un décodeur guidé par une attention. Le bloc de pooling pyramidal spatial à trous denses (ASPP) permet de préserver la résolution spatiale des caractéristiques encodées. Le mécanisme d’attention additive dans le décodeur améliore les performances sur des entrées à haute dimension, favorisant ainsi la localisation des lignes tout en réduisant la charge de calcul liée au post-traitement. L’efficacité de la méthode proposée est évaluée sur le jeu de données DVS pour l’extraction de lignes (DET). Les résultats expérimentaux montrent une amélioration significative de 5,54 % et 5,03 % des scores F1 dans les tâches de détection multiclasse et binaire des marques de chaussée, respectivement. En outre, les scores d’intersection sur union (IoU) de la méthode proposée dépassent ceux de la meilleure méthode de l’état de l’art par 6,50 % et 9,37 % pour les tâches multiclasse et binaire, respectivement.