TwinLiteNet : Un modèle efficace et léger pour la segmentation de la zone de conduite et des lignes de lane dans les voitures autonomes

La segmentation sémantique est une tâche courante dans la conduite autonome pour comprendre l'environnement environnant. La segmentation de la zone de circulation et la détection des lignes de voie sont particulièrement importantes pour une navigation sûre et efficace sur la route. Cependant, les modèles originaux de segmentation sémantique sont coûteux en termes de calcul et nécessitent du matériel haut de gamme, ce qui n'est pas réalisable pour les systèmes embarqués dans les véhicules autonomes. Cet article propose un modèle léger pour la segmentation de la zone de circulation et des lignes de voie. TwinLiteNet est conçu pour être peu coûteux mais atteint des résultats de segmentation précis et efficaces. Nous évaluons TwinLiteNet sur le jeu de données BDD100K et le comparons avec des modèles modernes. Les résultats expérimentaux montrent que notre TwinLiteNet performe de manière similaire aux approches existantes, tout en nécessitant significativement moins de ressources computationnelles. Plus précisément, TwinLiteNet obtient un score mIoU (mean Intersection over Union) de 91,3% pour la tâche de Zone de Circulation et un score IoU (Intersection over Union) de 31,08% pour la tâche de Détection des Lignes de Voie, avec seulement 0,4 million de paramètres et atteint 415 images par seconde (FPS) sur GPU RTX A5000. De plus, TwinLiteNet peut fonctionner en temps réel sur des dispositifs embarqués à puissance informatique limitée, notamment puisqu'il atteint 60 FPS sur Jetson Xavier NX, ce qui en fait une solution idéale pour les véhicules autonomes. Le code source est disponible à l'adresse suivante : url{https://github.com/chequanghuy/TwinLiteNet}.