L'un des systèmes essentiels dans les véhicules autonomes pour assurer une situation sécurisée pour les conducteurs et les passagers est le système avancé d'aide à la conduite (ADAS). Le régulateur de vitesse adaptatif, le freinage automatique/la déviation, le système de maintien de la voie, l'aide à l'angle mort, le système d'avertissement de sortie de voie et la détection de voie sont des exemples d'ADAS. La détection de voie affiche des informations spécifiques aux caractéristiques géométriques des structures de ligne de voie au système intelligent du véhicule pour montrer la position des marquages de voie. Cet article passe en revue les méthodes employées pour la détection de voie dans un véhicule autonome. Une revue systématique de la littérature (SLR) a été réalisée pour analyser l'approche la plus délicate de la détection de la voie de circulation au profit de l'industrie de l'automatisation. Cent deux publications provenant de bases de données bien connues ont été choisies pour cette revue. La tendance a été découverte après un examen approfondi des articles sélectionnés sur la méthode mise en œuvre pour détecter la voie de circulation de 2018 à 2021. La littérature sélectionnée a utilisé diverses méthodes, l'ensemble de données d'entrée étant de deux types : auto-collecté ou acquis à partir d'un ensemble de données publiques en ligne. Entre-temps, les méthodologies comprennent la modélisation géométrique et les méthodes traditionnelles, tandis que l'IA comprend l'apprentissage profond et l'apprentissage automatique. L'utilisation de l'apprentissage profond a fait l'objet de recherches croissantes au cours des quatre dernières années. Certaines études ont utilisé des implémentations d'apprentissage profond autonomes pour des problèmes de détection de voie. Pendant ce temps, certaines recherches se concentrent sur la fusion de l'apprentissage profond avec d'autres techniques d'apprentissage automatique et méthodologies classiques. Les progrès récents impliquent que le mécanisme d'attention est devenu une stratégie combinée populaire avec des méthodes d'apprentissage profond. L'utilisation d'algorithmes profonds en conjonction avec d'autres techniques a montré des résultats prometteurs. Cette recherche vise à fournir un aperçu complet de la la littérature sur les méthodes de détection de voie, mettant en évidence les approches actuellement à l'étude et la performance des techniques de pointe existantes. De plus, l'article couvrait l'équipement utilisé pour collecter l'ensemble de données pour le processus de formation et l'ensemble de données utilisé pour la formation, la validation et les tests en réseau. Cet examen fournit une base précieuse sur les techniques de détection de voie, les défis et les opportunités et soutient de nouveaux travaux de recherche dans ce domaine d'automatisation. Pour une étude plus approfondie, il est suggéré de consacrer plus d'efforts à l'amélioration de la précision, à l'augmentation des performances de vitesse et à des travaux plus difficiles sur diverses conditions extrêmes dans la détection de la voie de circulation.

Uno de los sistemas esenciales en los vehículos autónomos para garantizar una circunstancia segura para los conductores y pasajeros es el Sistema Avanzado de Asistencia al Conductor (adas). El Control de Crucero Adaptativo, el Frenado Automático/Alejado, el Sistema de Mantenimiento de Carril, el Asistente de Punto Ciego, el Sistema de Advertencia de Salida de Carril y la Detección de Carril son ejemplos de adas. La detección de carril muestra información específica de las características geométricas de las estructuras de la línea de carril al sistema inteligente del vehículo para mostrar la posición de las marcas de carril. Este artículo revisa los métodos empleados para la detección de carril en un vehículo autónomoSe ha llevado a cabo una revisión sistemática de la literatura (SLR) para analizar el enfoque más delicado para detectar el carril de la carretera en beneficio de la industria de la automatización.Se eligieron ciento dos publicaciones de bases de datos conocidas para esta revisión.La tendencia se descubrió después de examinar a fondo los artículos seleccionados sobre el método implementado para detectar el carril de la carretera desde 2018 hasta 2021.La literatura seleccionada utilizó varios métodos, siendo el conjunto de datos de entrada uno de dos tipos: autorecogido o adquirido de un conjunto de datos público en línea. Mientras tanto, las metodologías incluyen modelado geométrico y métodos tradicionales, mientras que la IA incluye el aprendizaje profundo y el aprendizaje automático. El uso del aprendizaje profundo se ha investigado cada vez más a lo largo de los últimos cuatro años. Algunos estudios utilizaron implementaciones independientes de aprendizaje profundo para problemas de detección de carriles. Mientras tanto, algunas investigaciones se centran en fusionar el aprendizaje profundo con otras técnicas de aprendizaje automático y metodologías clásicas. Los avances recientes implican que el mecanismo de atención se ha convertido en una estrategia combinada popular con los métodos de aprendizaje profundo. El uso de algoritmos profundos junto con otras técnicas mostró resultados prometedores. Esta investigación tiene como objetivo proporcionar una visión general completa del literatura sobre métodos de detección de carriles, destacando qué enfoques se están investigando actualmente y el rendimiento de las técnicas de vanguardia existentes. También, el documento cubrió el equipo utilizado para recopilar el conjunto de datos para el proceso de capacitación y el conjunto de datos utilizado para la capacitación, validación y prueba de la red. Esta revisión proporciona una base valiosa sobre técnicas, desafíos y oportunidades de detección de carriles y respalda nuevos trabajos de investigación en este campo de automatización. Para un estudio adicional, se sugiere poner más esfuerzo en la mejora de la precisión, un mayor rendimiento de la velocidad y un trabajo más desafiante en diversas condiciones extremas en la detección del carril de la carretera.

One of the essential systems in autonomous vehicles for ensuring a secure circumstance for drivers and passengers is the Advanced Driver Assistance System (ADAS).Adaptive Cruise Control, Automatic Braking/Steer Away, Lane-Keeping System, Blind Spot Assist, Lane Departure Warning System, and Lane Detection are examples of ADAS.Lane detection displays information specific to the geometrical features of lane line structures to the vehicle's intelligent system to show the position of lane markings.This article reviews the methods employed for lane detection in an autonomous vehicle.A systematic literature review (SLR) has been carried out to analyze the most delicate approach to detecting the road lane for the benefit of the automation industry.One hundred and two publications from well-known databases were chosen for this review.The trend was discovered after thoroughly examining the selected articles on the method implemented for detecting the road lane from 2018 until 2021.The selected literature used various methods, with the input dataset being one of two types: self-collected or acquired from an online public dataset.In the meantime, the methodologies include geometric modeling and traditional methods, while AI includes deep learning and machine learning.The use of deep learning has been increasingly researched throughout the last four years.Some studies used stand-alone deep learning implementations for lane detection problems.Meanwhile, some research focuses on merging deep learning with other machine learning techniques and classical methodologies.Recent advancements imply that attention mechanism has become a popular combined strategy with deep learning methods.The use of deep algorithms in conjunction with other techniques showed promising outcomes.This research aims to provide a complete overview of the literature on lane detection methods, highlighting which approaches are currently being researched and the performance of existing state-of-the-art techniques.Also, the paper covered the equipment used to collect the dataset for the training process and the dataset used for network training, validation, and testing.This review yields a valuable foundation on lane detection techniques, challenges, and opportunities and supports new research works in this automation field.For further study, it is suggested to put more effort into accuracy improvement, increased speed performance, and more challenging work on various extreme conditions in detecting the road lane.

أحد الأنظمة الأساسية في المركبات ذاتية القيادة لضمان ظروف آمنة للسائقين والركاب هو نظام مساعدة السائق المتقدم (ADAS). نظام تثبيت السرعة التكيفي، الكبح التلقائي/التوجيه بعيدًا، نظام الحفاظ على الحارة، مساعد النقطة العمياء، نظام تحذير مغادرة الحارة، وكشف الحارة هي أمثلة على ADAS. يعرض اكتشاف الحارة معلومات خاصة بالسمات الهندسية لهياكل خط الحارة إلى النظام الذكي للمركبة لإظهار موضع علامات الحارة. تستعرض هذه المقالة الطرق المستخدمة لاكتشاف الحارة في مركبة ذاتية القيادة. تم إجراء مراجعة منهجية للأدبيات (SLR) لتحليل النهج الأكثر حساسية للكشف عن حارة الطريق لصالح صناعة الأتمتة. تم اختيار مائة واثنين من المنشورات من قواعد البيانات المعروفة لهذه المراجعة. تم اكتشاف الاتجاه بعد فحص شامل للمقالات المختارة حول الطريقة المنفذة للكشف عن حارة الطريق من عام 2018 حتى عام 2021. استخدمت الأدبيات المختارة طرقًا مختلفة، مع كون مجموعة بيانات الإدخال واحدة من نوعين: تم جمعها ذاتيًا أو الحصول عليها من مجموعة بيانات عامة عبر الإنترنت. في غضون ذلك، تشمل المنهجيات النمذجة الهندسية والأساليب التقليدية، في حين أن الذكاء الاصطناعي يشمل التعلم العميق والتعلم الآلي. وقد تم بحث استخدام التعلم العميق بشكل متزايد على مدار السنوات الأربع الماضية. واستخدمت بعض الدراسات تطبيقات التعلم العميق القائمة بذاتها لمشاكل الكشف عن الحارات. وفي الوقت نفسه، تركز بعض الأبحاث على دمج التعلم العميق مع تقنيات التعلم الآلي الأخرى والمنهجيات الكلاسيكية. تشير التطورات الحديثة إلى أن آلية الانتباه أصبحت استراتيجية مشتركة شائعة مع أساليب التعلم العميق. أظهر استخدام الخوارزميات العميقة جنبًا إلى جنب مع التقنيات الأخرى نتائج واعدة. يهدف هذا البحث إلى تقديم نظرة عامة كاملة على الأدبيات حول طرق الكشف عن الحارات، وتسليط الضوء على الأساليب التي يتم بحثها حاليًا وأداء أحدث التقنيات الحالية. كما غطت الورقة المعدات المستخدمة لجمع مجموعة البيانات لعملية التدريب ومجموعة البيانات المستخدمة للتدريب على الشبكة والتحقق من صحتها واختبارها. تنتج هذه المراجعة أساسًا قيمًا حول تقنيات الكشف عن الحارات والتحديات والفرص وتدعم الأعمال البحثية الجديدة في مجال الأتمتة هذا. لمزيد من الدراسة، يُقترح بذل المزيد من الجهد في تحسين الدقة وزيادة أداء السرعة والعمل الأكثر صعوبة الظروف القاسية المختلفة في الكشف عن حارة الطريق.