Original title: Detekce jízdních pruhů pomocí Deep Learning ve virtuálním prostředí
Translated title: Lane detection using Deep Learning in a virtual world
Authors: Janík, Jakub ; Píštěk, Václav (referee) ; Kučera, Pavel (advisor)
Document type: Master’s theses
Year: 2026
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract: [cze] [eng]
Tato diplomová práce se zabývá návrhem a implementací systému pro detekci jízdních pruhů pomocí metod hlubokého učení, s hlavním zaměřením na kvantifikaci nejistoty modelu. Běžné neuronové sítě často vykazují nepřiměřeně vysokou míru sebejistoty i při chybných predikcích, což představuje kritické bezpečnostní riziko pro systémy autonomního řízení. Z tohoto důvodu byla zvolená architektura ERFNet rozšířena o pravděpodobnostní metodu Monte Carlo Dropout, která umožňuje průběžný odhad modelové nejistoty. Základní model byl natrénován na reálném datasetu TuSimple a pro následné testování v syntetickém prostředí simulátoru Unreal Engine byla aplikována metoda Fourierovy doménové adaptace (FDA) s cílem překlenout doménový rozdíl. Funkčnost navrženého řešení byla ověřena v uzavřené simulační smyčce (Simulink) napříč 128 testovacími scénáři. Výsledky prokazují, že implementovaná metrika nejistoty koresponduje se zhoršenými vizuálními podmínkami (např. oslnění, dynamické stíny) a situacemi, které se vymykají tréninkovému souboru (tzv. Out-of-Distribution data, např. složitá geometrie vozovky). Systém tak kontinuálně generuje kvantifikovatelnou míru nejistoty, která může sloužit jako vstupní signál pro nadřazené řídicí systémy při detekci kritických stavů. This master's thesis deals with the design and implementation of a lane detection system using deep learning methods, with a primary focus on model uncertainty quantification. Common neural networks often exhibit disproportionately high confidence even in their erroneous predictions, which poses a critical safety risk to autonomous driving systems. For this reason, the selected ERFNet architecture was extended with the probabilistic Monte Carlo Dropout method, enabling continuous estimation of model uncertainty. The base model was trained on the real-world TuSimple dataset, and the Fourier Domain Adaptation (FDA) method was applied to bridge the domain gap for subsequent testing in the synthetic environment of the Unreal Engine simulator. The functionality of the proposed solution was verified in a closed-loop simulation (Simulink) across 128 test scenarios. The results demonstrate that the implemented uncertainty estimates reliably correspond with degraded visual conditions (e.g., sun glare, dynamic shadows) and complex road geometry (Out-of-Distribution). The system thus continuously generates a quantifiable measure of uncertainty that can serve as an input signal for high-level control systems in detecting critical states.
Keywords: autonomous driving; deep learning; ERFNet; Fourier domain adaptation; lane detection; Monte Carlo Dropout; Simulink; uncertainty estimation; autonomní řízení; detekce jízdních pruhů; ERFNet; Fourierova doménová adaptace; hluboké učení; Monte Carlo Dropout; odhad nejistoty; Simulink

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/259755

Permalink: http://www.nusl.cz/ntk/nusl-776728


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses