Implementação de um Módulo de Segmentação de Faixas de Trânsito e Cálculo de Centro de Pista para Integração em um Sistema de Direção Autônoma

Abstract

Este trabalho apresenta a implementação e avaliação de um sistema de detecção de faixas de trânsito baseado em segmentação de instâncias, voltado para sistemas de assistência ao moto- rista e direção autônoma. Fundamentado na abordagem de Neven et al., o sistema utiliza uma rede neural convolucional com arquitetura codificador-decodificador (ENet) para gerar uma máscara de segmentação binária e embeddings de instâncias, que são posteriormente cluste- rizados para identificar individualmente cada faixa. Como principal contribuição, a abordagem original foi estendida com um módulo de ajuste polinomial que calcula o centro geométrico da pista e um sistema de memória temporal que garante a continuidade das detecções em quadros consecutivos. O modelo foi treinado e avaliado no dataset TUSimple, alcançando uma acurácia de 93.06% e um F1-Score de 93.37%, o que demonstra a eficácia e a robustez da solução imple- mentada. O resultado é um pipeline end-to-end completo e funcional, que não apenas detecta um número variável de faixas, mas também fornece uma estimativa precisa do centro da pista, um dado essencial para o controle de navegação veicular.

This work presents the implementation and evaluation of a lane detection system based on instance segmentation for advanced driver-assistance systems and autonomous driving. Groun- ded on the approach by Neven et al., the system employs a convolutional neural network with an encoder-decoder architecture (ENet) to generate a binary segmentation mask and instance embeddings , which are then clustered to individually identify each lane. As a primary contri- bution, the original approach was extended with a polynomial fitting module that calculates the geometric center of the lane and a temporal memory system that ensures detection continuity across consecutive frames. The model was trained and evaluated on the TuSimple dataset, achi- eving an accuracy of 93.06% and an F1-Score of 93.37%, which demonstrates the effectiveness and robustness of the implemented solution. The result is a complete and functional end-to-end pipeline that not only detects a variable number of lanes but also provides a precise estimate of the lane center, an essential input for vehicle navigation control.