面向资源受限的自主车的基于视觉的车道跟踪与交通标志识别
计算机视觉与模式识别
2026-04-28 v1 系统与控制
系统与控制
摘要
自主车辆（AVs）依赖实时感知系统来理解路环境并确保安全导航。然而，在受限计算资源的嵌入式平台上实现可靠的感知算法仍具有挑战性。本文提出一种轻量级视觉框架，集成车道检测、车道跟踪和交通标志识别，适用于嵌入式自主车辆。采用计算高效的基于阈值的车道分割方法结合透视变换和基于直方图的曲率估计，实现对不同照明条件下的稳健车道跟踪。规则驱动的转向控制器生成转向指令以维持车辆稳定导航。对于交通标志识别，评估了两种轻量级卷积神经网络（CNN），EfficientNet-B0 和 MobileNetV2，并使用来自车辆 onboard 相机的自定义数据集进行测试。实验结果表明，该系统在保持仅3.16%最大偏移RMSE的准确率的同时实现实时性能。EfficientNet-B0 在测试数据集上实现高达98.77%的离线分类准确率，在设备端实时部署时达到90%准确率，优于MobileNetV2。MobileNetV2 虽然推理速度稍快，计算成本更低。这些结果凸显了轻量级视觉感知管道在资源受限的自主驾驶应用中的有效性。
引用
@article{arxiv.2604.22872,
title = {Vision-Based Lane Following and Traffic Sign Recognition for Resource-Constrained Autonomous Vehicles},
author = {Md Tanjemul Islam and Md Rafiul Kabir},
journal= {arXiv preprint arXiv:2604.22872},
year = {2026}
}
备注
2026 International Conference on Intelligent Systems, Blockchain, and Communication Technologies