Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: V Всероссийская (национальная) научная конференция «Достижения науки и технологий» (ДНиТ-V-2026); Красноярск; Красноярск
Год издания: 2026
Ключевые слова: computer vision, unmanned vehicles, object recognition, convolutional neural networks, transformers, road information, компьютерное зрение, беспилотный транспорт, распознавание объектов, сверточные нейронные сети, трансформеры, дорожная информация
Аннотация: В статье представлен систематический обзор современных методов компьютерного зрения и машинного обучения, применяемых для распознавания дорожной информации в системах беспилотного транспорта. Проведен критический анализ ключевых архитектур нейронных сетей, включая YOLO, трансформеры и гибридные модели, с точки зрения их точности, сПоказать полностьюкорости работы и устойчивости к условиям окружающей среды. Рассмотрены существующие технологические решения от ведущих компаний (Waymo, Mobileye, Tesla) и выявлены актуальные пробелы в исследованиях, такие как недостаточная адаптивность к экстремальным погодным условиям и высокие вычислительные затраты. На основе анализа предложены перспективные направления для дальнейших исследований, включая разработку энергоэффективных моделей и улучшение предиктивных возможностей систем. The article presents a systematic review of modern computer vision and machine learning methods used for road information recognition in unmanned vehicle systems. A critical analysis of key neural network architectures, including YOLO, transformers and hybrid models, is carried out in terms of their accuracy, speed and robustness to environmental conditions. Existing technological solutions from leading companies (Waymo, Mobileye, Tesla) are considered and current research gaps are identified, such as insufficient adaptability to extreme weather conditions and high computational costs. Based on the analysis, promising directions for further research are proposed, including the development of energy-efficient models and the improvement of predictive capabilities of systems.
Журнал: Достижения науки и технологий (ДНиТ-V-2026)
Номера страниц: 523-528
Место издания: Красноярск