Сегментація смуг для оптимізації трафік-потоку

Мета роботи. Комплексний аналіз сучасних нейромережевих архітектур сегментації смуг руху для визначення їх потенціалу в оптимізації транспортних потоків та оцінці можливостей застосування в системах управління дорожнім рухом. Метод дослідження. Проведено порівняльний аналіз п'яти передових архітектур глибокого навчання: LaneATT з механізмом уваги для виявлення ключових точок, ERFNet та ENet як ефективні архітектури реального часу, PINet для instance-based сегментації смуг, та CondLaneNet з умовною генерацією форми смуг. Досліджено особливості кожної архітектури, їх обчислювальну ефективність та точність. Проаналізовано вплив якості сегментації на показники оптимізації транспортних потоків. Результати дослідження. Показано, що CondLaneNet забезпечує найвищу точність сегментації та найкраще відновлення геометрії смуг за низького рівня трафіку й простої топології доріг, тоді як LaneATT демонструє дещо нижчу пікову точність, але більш плавну деградацію якості зі зростанням щільності руху. ENet та ERFNet забезпечують прийнятний компроміс між точністю та обчислювальною складністю, що робить їх придатними для систем реального часу з обмеженими ресурсами. PINet, завдяки представленням на основі ключових точок і кластеризації, виявляє найкращу стійкість до оклюзії та складних дорожніх сценаріїв і зберігає найбільшу частку базової якості в умовах середнього та високого трафіку. Практична цінність дослідження. Результати дослідження дозволяють обґрунтовано вибирати оптимальну архітектуру для конкретних сценаріїв застосування в інтелектуальних транспортних системах. Тип статті. Теоретичний.