Research on Pothole Detection and Avoidance Unmanned Vehicle System Based on YOLOv8 and Raspberry Pi
Notice bibliographique
Résumé
In order to reduce the harm of road potholes to the safe driving of unmanned vehicles, it is necessary to create an efficient and accurate road pothole detection and avoidance strategy. Therefore, this paper proposes a road pothole detection and avoidance unmanned vehicle (PDA-UV) system based on YOLOv8 and Raspberry Pi. The system mainly includes unmanned vehicle, road pothole detection, avoidance motion controller and image sensor. YOLOv8 is used as a road pothole detection algorithm. The motion controller of unmanned vehicle takes Raspberry Pi 4B/4G as the core and four Mecanum wheels as the motion mechanism of unmanned vehicle. Firstly, the system obtains the road pothole image through the camera; Then, the road pothole detection model is obtained after training with YOLOv8 algorithm, and the collected road scenes are tested. Finally, the road pothole detection model is deployed to Raspberry Pi 4B/4G, and the real-time motion control of the unmanned vehicle is carried out according to the identified road pothole results, so as to realize the avoidance function of the unmanned vehicle to the road pothole. In this paper, the experimental results of road potholes detection and avoiding single road potholes are given. The experimental results show that the unmanned vehicle can accurately detect road potholes and realize the avoidance motion control of a single road pothole according to the preset trajectory at low speed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».