Metode Deep Learning Untuk Lane Detection pada Kendaraan Otomatis di Berbagai Skenario Menggunakan Carla Simulator

Lane Detection Deep Learning Methods for Autonomous Vehicles on Various Scenario in Carla Simulator

Dalam upaya meningkatkan keselamatan dan efisiensi kendaraan otomatis, akurasi dan kecepatan sistem lane detection di dalam kendaraan memainkan peran penting. Penelitian ini memberikan analisis komparatif mendalam dari dua model yang umum digunakan: YOLOPv2 dan CLRNet, di berbagai skenario cuaca dan kondisi lalu lintas yang disimulasikan. Metrik evaluasi mencakup parameter online (FPS) dan offline. Akurasi pada kedua model menunjukkan nilai yang sangat bagus di angka 96% untuk YOLOPv2 dan 98% untuk CLRNet. Namun, metrik lain menunjukkan keunggulan YOLOPv2 dalam hal kecepatan dan akurasi di hampir semua skenario yang diuji dengan IoU rata-rata 27% dan F1 Score 41%, dibandingkan dengan IoU rata-rata CLRNet sebesar 15% dan F1 Score 24%. YOLOPv2 juga diamati memiliki False Positive Rate yang lebih tinggi dibandingkan dengan CLRNet, menunjukkan potensi deteksi berlebih dalam beberapa skenario. Di sisi lain, CLRNet, meskipun lebih lambat dan kurang akurat, menunjukkan False Positive Rate yang sangat rendah, menjadikannya pilihan yang konservatif namun andal untuk situasi di mana kesalahan deteksi dapat memiliki konsekuensi yang parah. Hasil penelitian ini dapat digunakan untuk memandu pemilihan model lane detection untuk kendaraan otomatis berdasarkan aplikasi yang diinginkan dan kondisi cuaca yang berlaku.

In an effort to enhance the safety and efficiency of automated vehicles, the accuracy and speed of the lane detection system within vehicles play a crucial role. This research provides an in-depth comparative analysis of two commonly used models: YOLOPv2 and CLRNet, in various simulated weather scenarios and traffic conditions. Evaluation metrics include online parameters (FPS) and offline measures. Accuracy in both models shows excellent values, with 96% for YOLOPv2 and 98% for CLRNet. However, other metrics indicate the superiority of YOLOPv2 in terms of speed and accuracy in almost all tested scenarios, with an average IoU of 27% and F1 Score of 41%, compared to CLRNet's average IoU of 15% and F1 Score of 24%. YOLOPv2 is also observed to have a higher false positive rate compared to CLRNet, indicating potential over-detection in some scenarios. On the other hand, CLRNet, despite being slower and less accurate, exhibits a very low False Positive Rate, making it a conservative yet reliable choice for situations where detection errors can have severe consequences. The results of this research can be used to guide the selection of lane detection models for automated vehicles based on the desired application and prevailing weather conditions.