面向自主移动机器人的实时车道检测实现

本文描述了在自主移动机器人上实现基于学习的车道检测算法的过程。旨在为使用摄像头的 SEATER P2MC-BRIN 原型机实现 Ultra Fast Lane Detection 算法的实时应用，并对其在 Jetson Nano 平台上的性能进行优化。开展了初步实验，以评估算法在数据处理速度和准确性方面的性能，使用两类数据集：一种是户外使用的公开数据集，另一种是内部数据集来自 Bandung BRIN 工作坊大楼内区。实验结果表明，在转换为 TensorRT 后，算法在 Jetson Nano 平台上的运行效率比 ONNX 模型更佳，分别使用 CULane 和 TuSimple 达到约 101 ms 和 105 ms 的处理速度，这约为前一模型的 22 倍。虽然该算法在户外公开数据集上表现良好，但在室内数据集上的性能不达标。未来的工作应聚焦于迁移学习和微调，以提高室内车道检测的准确性。