Metode Deep Learning Untuk Lane Detection Pada Kendaraan Otomatis di Berbagai Skenario Menggunakan CARLA Simulator

Abstract

Dalam upaya meningkatkan keselamatan dan efisiensi kendaraan otomatis, akurasi dan kecepatan sistem lane detection di dalam kendaraan memainkan peranan penting. Namun, penelitian dalam domain itu tidak terlalu banyak. Oleh karena itu, penelitian ini memfokuskan pada analisis komparatif mendalam dari dua model yang digunakan: YOLOPv2 dan CLRNet. Kemudian, kedua model yang terbangun dilakukan simulasi dalam berbagai skenario cuaca dan kondisi lalu lintas. Untuk metrik evaluasi, penelitian ini  menggunakan parameter online (FPS) dan offline. Hasil penelitian ini dapat digunakan untuk memandu pemilihan model lane detection untuk kendaraan otomatis berdasarkan aplikasi yang diinginkan dan kondisi cuaca yang berlaku. Hal ini diindikasikan dengan akurasi pada kedua model menunjukkan nilai yang sangat bagus di angka 96% untuk YOLOPv2 dan 98% untuk CLRNet. Kemudian, 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.

Kata Kunci — Kendaraan Otomatis, Deteksi Objek, YOLOPv2, CLRNet, Simulator CARLA, Kontrol Prediktif Model