Реєстраційний номер
0826U002094, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
10-08-2026
Статус
Захищена
Назва роботи
Моделі та методи сегментації смуг у системах керування дорожнім рухом
Здобувач
Древич Любомир Орестович,
Керівник Буров Євген Вікторович
Опонент Чала Лариса Ернестівна
Опонент МОКІН Олександр Борисович
Рецензент Верес Олег Михайлович
Рецензент Кунанець Наталія Едуардівна
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Національний університет "Львівська політехніка"
Опис
Древич Л.О. - Моделі та методи сегментації смуг у системах керування дорожнім рухом. - Кваліфікаційна наукова праця на правах рукопису.
Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 124 «Системний аналіз» - Національний університет «Львівська політехніка», Міністерство освіти і науки України, Львів, 2026.
Дисертацію присвячено розв'язанню актуального науково-прикладного завдання, яке полягає у застосуванні методів системного аналізу для розроблення моделей, математичних методів та програмних засобів сегментації дорожніх смуг у системах керування дорожнім рухом на основі гібридного підходу, що поєднує класичні методи комп'ютерного зору, глибоке навчання та інтеграцію з картами високої деталізації HD maps.
Безпека дорожнього руху є однією з ключових проблем сучасного суспільства. Щорічно у світі внаслідок дорожньо-транспортних пригод гинуть понад 1,35 мільйона осіб, а десятки мільйонів отримують травми різного ступеня тяжкості. Стрімкий розвиток автомобільної галузі та зростання інтенсивності руху на дорогах зумовлюють необхідність впровадження інтелектуальних систем допомоги водієві ADAS та автономного керування транспортними засобами. З точки зору системного аналізу, такі системи являють собою складні багатокомпонентні комплекси, що потребують комплексного підходу до проєктування та інтеграції підсистем. Одним із базових компонентів таких систем є модуль сегментації дорожніх смуг, який забезпечує розпізнавання та відстеження розмітки в режимі реального часу.
Актуальність дослідження підсилюється складністю умов експлуатації систем комп'ютерного зору: змінне освітлення, несприятливі погодні умови, зношена або частково відсутня розмітка, тіні від дерев та будівель, перешкоди на дорозі, різні типи дорожнього покриття та складна геометрія доріг. Застосування методів системного аналізу для інтеграції різнорідних джерел даних, зокрема HD maps, дозволяє компенсувати недоліки візуального розпізнавання.
Наукова новизна отриманих результатів:
- Вперше запропоновано гібридний підхід до сегментації дорожніх смуг, що поєднує паралельну обробку класичними методами комп'ютерного зору (перетворення Хафа, детектор границь Кенні, морфологічні операції та адаптивна порогова бінаризація) та глибокими нейронними мережами семантичної сегментації (архітектури U-Net, SCNN, LaneNet) із застосуванням механізму зважування результатів та верифікації на основі карт високої деталізації (HD maps).
- Удосконалено математичну модель виявлення дорожніх смуг шляхом введення механізму фузії даних від візуальних сенсорів та карт високої деталізації на основі байєсівського підходу, що забезпечує компенсацію помилок візуального розпізнавання при погіршенні видимості розмітки та зменшення кількості хибних спрацювань.
- Набув подальшого розвитку метод відстеження дорожніх смуг у режимі реального часу шляхом інтеграції розширеного фільтра Калмана з апріорною інформацією про геометрію дороги з HD maps та механізмом прогнозування положення смуг на основі моделі руху транспортного засобу, що забезпечує обробку відеопотоку не менше 30 кадрів на секунду.
Реалізовано програмну систему сегментації дорожніх смуг з використанням Python, PyTorch, OpenCV, NumPy, CUDA. Для тестування використано набори даних TuSimple, CULane та BDD100K. Результати експериментів підтверджують, що гібридний підхід з інтеграцією HD maps забезпечує вищу точність та надійність розпізнавання порівняно з використанням лише візуальних методів.
Ключові слова: сегментація дорожніх смуг, комп'ютерний зір, системний аналіз, система керування дорожнім рухом, глибоке навчання, згорткові нейронні мережі, HD maps, гібридний підхід, ADAS, відстеження смуг, фузія даних, перетворення Хафа.
Дата реєстрації
2026-06-01
Додано/оновлено в НРАТ
2026-06-01 / 2026-08-18
