Obstalaneyolo: Real-Time Lane and Obstacle Detection for Autonomous Vehicles
Rattachement africain : cn, Afrique du Sud. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
In recent years approximately $30 billion has been invested in the development of Autonomous Vehicles (AVs). The increasing adoption of AVs demands precise Lane and Obstacle Detection (LOD) to ensure safe and reliable transportation. This paper aims to propose a monocular camera-based LOD method for Autonomous Driving (AD). We employed YOLO, for real-time object detection while Convolutional Neural Networks (CNNs) extract lane boundaries for accurate road mapping. Our approach utilizes Intersection over Union (IoU) for effective object tracking, allowing us to associate detected vehicles across frames and enhance Lane Detection (LD) accuracy. Dash camera's data provides a top view of the scene, while adaptive thresholding technique with sliding windows ensures reliable detection. YOLO11s improves real-time detection, and achieved a mAP50of 0.818 over YOLOv5s (0.691) and YOLOv8s (0.687), demonstrating the effectiveness of ObstaLaneYOLO.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Obstalaneyolo: Real-Time Lane and Obstacle Detection for Autonomous Vehicles
- Date Crossref
- 14/12/2024
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.