Segmentação semântica para percepção ambiental em veículos Baja SAE: um estudo comparativo entre FCN-8S e U-Net

Abstract

A percepção ambiental em tempo real apresenta-se como um desafio inovador para otimizar a segurança e o desempenho dos veículos na competição Baja SAE. Este trabalho apresenta um estudo comparativo (benchmarking) entre as arquiteturas de redes neurais convolucionais Fully Convolutional Network e U-Net, com a finalidade de determinar o modelo que oferece o melhor balanço entre acurácia de segmentação e potencial de eficiência para futura implantação em sistemas embarcados de baixo custo. A metodologia foi sistematicamente estruturada seguindo o ciclo PACE (Plan, Analyze, Construct, Execute), iniciando com a criação de um conjunto de dados customizado, composto por 138 imagens de competições reais, as quais foram rotuladas manualmente com sete classes de interesse. A avaliação quantitativa, baseada nas métricas de Intersection over Union (IoU), Coeficiente de Dice e Acurácia Categórica, demonstrou a superioridade da arquitetura FCN-8s. O modelo FCN-8s alcançou um IoU de 0,7324 e um Coeficiente de Dice de 0,8319, superando a U-Net, que obteve 0,6838 e 0,8071, respectivamente. Conclui-se que, embora a FCN-8s apresente maior precisão de segmentação para este domínio, a seleção final para a implantação embarcada dependerá de uma análise subsequente do desempenho computacional (tempo de inferência e uso de memória) no hardware alvo, o que exigirá a conversão dos modelos para o formato TensorFlow Lite.