Segmentação e detecção de buracos em vias para sistemas embarcados críticos em prol de veículos robóticos

Abstract

Este trabalho apresenta o desenvolvimento e a avaliação de modelos de detecção e segmentação de buracos em vias voltados para aplicação em sistemas embarcados críticos e de baixo custo. Foram implementadas e comparadas arquiteturas de aprendizado profundo modernas, com foco na otimização do desempenho por meio de técnicas de quantização e poda de redes neurais. Para a tarefa de detecção, os modelos YOLOv11, RT-DETR e D-FINE foram analisados, sendo o D-FINE o que apresentou melhor desempenho geral devido ao seu módulo de refinamento, enquanto o YOLOv11 destacou-se pela maior velocidade de inferência. Para a segmentação, foram avaliadas arquiteturas genéricas e voltadas a tempo real, demonstrando que o modelo PP-LiteSeg obteve melhor equilíbrio entre acurácia e eficiência, especialmente após a quantização. Além disso, foi desenvolvido um conjunto de dados com perspectiva veicular e anotações automáticas para segmentação, possibilitando experimentos mais próximos das condições reais de direção. Os resultados evidenciam que é possível obter modelos precisos e eficientes para uso embarcado, contribuindo para o avanço de sistemas de assistência à direção e monitoramento autônomo de infraestrutura viária.