YOLOv8ベースの交通標識検出における環境条件の影響:シミュレーションと実世界の気象ケースの制御比較
Impact of Environmental Conditions on YOLOv8-Based Traffic Sign Detection: A Controlled Comparison of Simulated and Real Weather Cases
本研究は、YOLOv8ベースの交通標識検出モデルのロバスト性を、晴天、シミュレーション雨、実世界雨、シミュレーション雪の4つの環境条件下で比較評価する手法を提案した。同一の道路区間、カメラ設定、55個の交通標識インスタンスを使用し、検出信頼度(RDC)と画像品質指標(シャープネス、彩度、輝度)で性能を評価した。平均RDCは晴天時(0.825)が最も高く、次いでシミュレーション雪(0.647)、実世界雨(0.408)、シミュレーション雨(0.395)となった。シミュレーション雨と実世界雨のRDCに有意差はなかった(p=0.770)が、全体としては条件間に有意な差が見られた(χ2(3)=98.767, p<0.001)。画像品質分析では、特にシャープネスと平均彩度において、雨天条件間で大きな違いが明らかになった。シミュレーション気象は、実世界降雨で観測されるものと比較して統計的に同等の検出器応答を生成できることが示され、制御された気象シミュレーションが実世界検証と並行して、環境ロバスト性を調査する補完的な評価アプローチとして使用できることを支持する。
- YOLOv8ベースの交通標識検出モデルのロバスト性を、晴天・シミュレーション雨・実世界雨・シミュレーション雪の4条件で比較評価する手法を提案。同一道路区間・カメラ設定・55個の標識インスタンスを使用。
- 平均検出信頼度(RDC)は晴天0.825、シミュレーション雪0.647、実世界雨0.408、シミュレーション雨0.395の順で、条件間に有意な差(χ2(3)=98.767, p<0.001)。
- シミュレーション雨と実世界雨のRDCに有意差はなく(p=0.770)、シミュレーション気象が実世界降雨と統計的に同等の検出器応答を生成できることを示した。
- 画像品質分析では、特にシャープネスと平均彩度において雨天条件間の大きな違いが明らかになった。
YOLOv8という既存の物体検出モデルを気象条件4種で比較した学術研究であり、新規モデルや製品・調達の発表ではないため直接の投資材料は乏しい。ただし、シミュレーション雨と実世界雨の検出信頼度に有意差がない(p=0.770)という結果は、自動運転・ADASの知覚系開発において実車走行データに依存せずシミュレーションで環境ロバスト性を検証できる可能性を示す。開発サイクル短縮やデータ収集コスト削減につながる場合は、自動運転スタックやシミュレーション基盤を手掛ける企業の競争力評価に中長期で影響しうる点を注視したい。