TwinLiteNet: 自動運転車における走行可能領域と車線セグメンテーションのための効率的かつ軽量なモデル

セマンティックセグメンテーションは、自動運転において周囲環境を理解するための一般的なタスクです。ドライブ可能領域セグメンテーションと車線検出は、道路上での安全で効率的な航行に特に重要です。しかし、従来のセマンティックセグメンテーションモデルは計算量が多いため、高価なハードウェアが必要となり、自動運転車両の組み込みシステムでは実現が困難でした。本論文では、ドライブ可能領域と車線のセグメンテーション用の軽量モデルを提案します。TwinLiteNetは低コストで設計されましたが、正確かつ効率的なセグメンテーション結果を達成しています。BDD100Kデータセット上でTwinLiteNetを評価し、現代のモデルとの比較を行いました。実験結果は、TwinLiteNetが既存の手法と同等の性能を示し、大幅に少ない計算リソースを必要とすることが示されました。具体的には、ドライブ可能領域タスクでmIoUスコア91.3%、車線検出タスクでIoUスコア31.08%を達成しており、パラメータ数はわずか0.4百万であり、GPU RTX A5000上で415 FPSを達成しています。さらに、TwinLiteNetは限られた計算能力を持つ組み込みデバイスでもリアルタイムで動作できることから、特にJetson Xavier NX上で60 FPSを達成していることから、自動運転車両にとって理想的な解決策となっています。コードは以下のURLから入手可能です: url{https://github.com/chequanghuy/TwinLiteNet}。