كشف الكائنات الفعّال في أنظمة القيادة الذاتية باستخدام YOLOv5 ومحاكي CARLA

الملخص

تُعد تكلفة المكونات الإلكترونية العالية من التحديات الأساسية في القيادة الذاتية، مما قد يعيق الاستخدام الواسع والتجارب اللازمة لتحقيق التقدم في هذا المجال. يوفر محاكي CARLA مفتوح المصدر بيئة فعّالة من حيث التكلفة وواقعية لإجراء التجارب في القيادة الذاتية، مما يسمح بإجراء اختبارات دقيقة وفعّالة دون الحاجة إلى أجهزة باهظة الثمن. في هذه الدراسة، نركز على كشف الكائنات داخل أنظمة القيادة الذاتية باستخدام محاكي CARLA. تم استخدام نموذج التعلم العميق YOLOv5 لكشف عشرة كائنات مختلفة: دراجة، دراجة نارية، أشخاص، إشارة مرور خضراء، إشارة مرور صفراء، إشارة مرور حمراء، علامة مرور 30، علامة مرور 60، علامة مرور 90، ومركبات. تم تدريب النموذج 150 دورة باستخدام مجموعة بيانات تتكون من 1864 صورة، تم تقسيمها إلى 1600 صورة للتدريب و264 صورة للاختبار. كانت نتائج التدريب لجميع الفئات هي: الدقة 0.934، الاسترجاع 0.908، متوسط الدقة عند 50 0.935، ومتوسط الدقة عند 50-95 0.689. أما نتائج الاختبار لجميع الفئات فكانت: الدقة 0.93، الاسترجاع 0.892، متوسط الدقة عند 50 0.93، ومتوسط الدقة عند 50-95 0.675. تُظهر هذه النتائج قدرة النموذج على كشف واسترجاع الكائنات بدقة. بالإضافة إلى ذلك، أظهرت الاختبارات الخارجية على النموذج باستخدام صور جديدة أداءً جيدًا، حيث تم التعرف بنجاح على الكائنات في سيناريوهات متنوعة. تُبرز هذه الدراسة إمكانيات استخدام محاكي CARLA ونموذج YOLOv5 للكشف الفعّال والناجح عن الكائنات في أنظمة القيادة الذاتية، مما يمهد الطريق لمزيد من التقدم في هذا المجال الحيوي.