自律運転のための全光学的セグメンテーション：回折性ニューラルネットワークに基づくアプローチ

arXiv:2602.07717v1 Announce Type: new 要約: セマンティックセグメンテーションと車線検出は、自律運転システムの重要なタスクである。従来の方法には、低遅延のリアルタイム対応に必要な大規模な画像計算と広範なアナログ-デジタル変換に伴う高エネルギーコストがかかる従来のディープニューラルネットワーク（DNN）が依存している。回折性光ニューラルネットワーク（DONN）は、デジタルまたは光電子計算プラットフォーム上で従来の DNN に比較してエネルギー効率面で有望な利点を示している。光の回折を利用して光速ですべての光学処理を行うことで、DONN は計算エネルギーコストを削減し、アナログ-デジタル変換に伴うオーバーヘッドをすべての光学的符号化と計算により削減する。本研究では、自律運転アプリケーションにおける RGB 画像セグメンテーションと車線検出のための新しい全光学計算フレームワークを提案する。我々の実験結果は、DONN システムが CityScapes データセットにおける画像セグメンテーションに効果的であることを示している。さらに、カスタマイズされた屋内トラックデータセットと CARLA における模擬的な運転シナリオを使用して、車線検出に関するケーススタディを実施し、多様な環境条件下でのモデルの汎用性をさらに評価した。

arXiv:2602.07717v1 Announce Type: new Abstract: Semantic segmentation and lane detection are crucial tasks in autonomous driving systems. Conventional approaches predominantly rely on deep neural networks (DNNs), which incur high energy costs due to extensive analog-to-digital conversions and large-scale image computations required for low-latency, real-time responses. Diffractive optical neural networks (DONNs) have shown promising advantages over conventional DNNs on digital or optoelectronic computing platforms in energy efficiency. By performing all-optical image processing via light diffraction at the speed of light, DONNs save computation energy costs while reducing the overhead associated with analog-to-digital conversions by all-optical encoding and computing. In this work, we propose a novel all-optical computing framework for RGB image segmentation and lane detection in autonomous driving applications. Our experimental results demonstrate the effectiveness of the DONN system for image segmentation on the CityScapes dataset. Additionally, we conduct case studies on lane detection using a customized indoor track dataset and simulated driving scenarios in CARLA, where we further evaluate the model's generalizability under diverse environmental conditions.