Resumen:La percepción del entorno de conducción tiene un papel vital para la conducción autónoma y hoy en día ha sido explorada activamente para su realización. La comunidad de investigación y las partes interesadas relevantes necesitan el desarrollo de modelos de aprendizaje profundo (DL) y soluciones habilitadas para IA para mejorar los vehículos autónomos (AV) para la movilidad inteligente. Es necesario desarrollar un modelo que perciba con precisión múltiples objetos en la carretera y prediga la percepción del conductor para controlar los movimientos del automóvil. Este artículo propone un novedoso modelo analítico basado en utilidades que permite que los sistemas de percepción de los vehículos autónomos comprendan el entorno de conducción. El artículo consta de módulos: adquisición de un conjunto de datos personalizado que tiene objetos distintivos, es decir, motociclistas, rickshaws, etc. un modelo basado en DL (YOLOv8s) para la detección de objetos; y un módulo para medir la utilidad del servicio de percepción a partir de los valores de rendimiento de instancias de modelos entrenados. El modelo de percepción se valida en función de la tarea de detección de objetos y su proceso se compara mediante métricas de rendimiento de modelos de aprendizaje profundo de última generación del conjunto de datos nuScense. Los resultados experimentales muestran tres instancias de YOLOv8s de mejor rendimiento basadas en valores de mAP@0.5, es decir, basadas en SGD (0.832), basadas en Adam (0.810) y basadas en AdamW (0.822). Sin embargo, el modelo basado en AdamW (es decir, automóvil: 0,921, motociclista: 0,899, camión: 0,793, etc.) aún supera al modelo basado en SGD (es decir, automóvil: 0,915, motociclista: 0,892, camión: 0,781, etc.) porque tiene mejores valores de rendimiento a nivel de clase, confirmado por el modelo de percepción propuesto. Validamos que la función propuesta es capaz de encontrar la percepción correcta para los AV. Los resultados anteriores alientan el uso del modelo de percepción propuesto para evaluar la utilidad de los modelos de aprendizaje y determinar la percepción adecuada para los AV.
Publicado originalmente en export.arxiv.org el 15 de octubre de 2025.
Ver fuente original
