DOI: https://doi.org/10.1016/j.engappai.2026.113893
تاريخ النشر: 2026-02-05
المؤلف: Busuyi Omodaratan وآخرون
الموضوع الرئيسي: تكنولوجيا وسلامة المركبات المستقلة
نظرة عامة
تقدم هذه الورقة البحثية مراجعة شاملة لخوارزمية “You Only Look Once” (YOLO)، خاصة في سياق المركبات المستقلة (AVs) حيث يعد الكشف الدقيق عن المسارات ومناورات تغيير المسار أمرًا حاسمًا للسلامة والكفاءة. تلخص المراجعة الأسس النظرية، والابتكارات المعمارية، والتقييمات التجريبية لمتغيرات YOLO المختلفة، مع التركيز على نقاط قوتها في الكشف عن الأجسام في الوقت الحقيقي وقدرتها على التكيف مع ظروف القيادة المتنوعة. ومع ذلك، تحدد أيضًا قيودًا كبيرة، بما في ذلك التحديات في الكشف عن علامات المسار الدقيقة، والصلابة ضد العوامل البيئية الضارة، والضعف أمام الهجمات العدائية. كما أن نقص مجموعات البيانات التمثيلية عالميًا يحد من قابلية توسيع وتعميم YOLO عبر سيناريوهات جغرافية وحركة مرور مختلفة.
يستخدم المؤلفون منهجية منهجية لتقييم تطور YOLO وأدائه بشكل نقدي، كاشفين أنه بينما تظهر خوارزميات YOLO وعدًا في تحسين تنقل AV، فإن الفجوات المستمرة تعيق إمكاناتها الكاملة. تشمل التوصيات للتحسين تحسين هياكل YOLO – ربما من خلال الهجين بين YOLOv4 و YOLOv7 و YOLOv8 – وتعزيز منهجيات التدريب، ودمج دمج المستشعرات، وتطوير مجموعات بيانات موحدة. تؤكد المراجعة على أهمية معالجة هذه التحديات لتعزيز موثوقية وسلامة أنظمة AV، مما يضع YOLO كتقنية محورية لحلول التنقل المستقل المستقبلية.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الأهمية الحاسمة لسلامة الطرق، مشددة على دورها في إنقاذ الأرواح، ومنع الإصابات، وتقليل التكاليف الاقتصادية المرتبطة بحوادث المرور. يمثل ظهور المركبات المستقلة (AVs) حلاً واعدًا لتعزيز سلامة الطرق من خلال تقليل الأخطاء البشرية، التي تتحمل مسؤولية عدد كبير من الوفيات – حوالي 1.35 مليون سنويًا وفقًا لمنظمة الصحة العالمية. على الرغم من الفوائد المحتملة للمركبات المستقلة، مثل تقليل تكرار الحوادث وتحسين كفاءة المرور، لا تزال التحديات قائمة، خاصة في ضمان تغييرات المسار الآمنة، والتي تعتبر ضرورية لوظائف AV. تسلط الحوادث البارزة التي تتضمن أنظمة AV، مثل الفشل في نظام القيادة الذاتية من تسلا، الضوء على ضرورة معالجة هذه التحديات.
تستعرض الورقة بشكل نقدي خوارزميات الكشف عن الأجسام المختلفة، مع التركيز بشكل خاص على عائلة YOLO (You Only Look Once) بسبب سرعتها ودقتها في التطبيقات في الوقت الحقيقي. بينما تم إحراز تقدم في تقنيات الكشف، لا تزال الفجوات قائمة في المقارنة الموضوعية للمنهجيات وصلابتها في السيناريوهات الواقعية. تهدف الدراسة إلى تقديم تقييم شامل لهذه الخوارزميات ومؤشرات تغيير المسار، باستخدام مجموعات بيانات مرجعية مثل KITTI و COCO لتقييم نقاط القوة والقيود في YOLO. تحدد التحديات الرئيسية، بما في ذلك الكشف الموثوق عن حدود المسار والتكيف مع ظروف البيئة المتنوعة، بينما تقترح اتجاهات بحث مستقبلية لتعزيز فعالية وموثوقية الحلول المعتمدة على YOLO للمركبات المستقلة. تم هيكلة الورقة بشكل منهجي لمعالجة النمذجة الرياضية، ونماذج الكشف عن المسار الحالية، ومناقشات مفصلة حول YOLO، وتقييمات الأداء، وتحديات البحث المستقبلية.
الطرق
تضمنت المنهجية المستخدمة في هذه المراجعة لخوارزميات YOLO للكشف عن المسار والأجسام في المركبات المستقلة (AVs) عملية بحث واختيار منهجية. كان الهدف من هذا النهج هو جمع مجموعة شاملة وغير متحيزة من الأدبيات، تشمل كل من المساهمات النظرية الأساسية وأحدث التطورات في هذا المجال. من خلال دمج السياق التاريخي مع التطورات المعاصرة، تضمن المراجعة تحليلًا دقيقًا للموضوع، مما يعزز فهم تطبيقات خوارزميات YOLO في تكنولوجيا AV.
النتائج
تكشف التحليل المقارن لمتغيرات YOLO (You Only Look Once) المختلفة أن التحسينات المعمارية التدريجية، مثل هياكل CSPDarknet في YOLOv4، والرؤوس الخالية من المراسي في YOLOv8، وتحسينات التدرج في YOLOv10 و YOLOv11، تحقق مكاسب أداء قابلة للقياس. ومع ذلك، لا يتفوق أي إصدار واحد من YOLO باستمرار على الآخرين عبر جميع المقاييس والسيناريوهات. على سبيل المثال، تظهر بعض الإصدارات أداءً متفوقًا تحت ظروف الإضاءة المثلى ولكنها تعاني في الطقس السيئ، بينما تم تصميم أخرى لفئات معينة من الأجسام، مما يضحي بقدرتها على التكيف العام.
تؤكد هذه النتائج على ضرورة وجود استراتيجيات كشف تكيفية وواعية للسياق في الخوارزميات المعتمدة على YOLO. من الواضح أن تحقيق سرعة عالية غير كافٍ؛ يجب أن تظهر هذه الخوارزميات أيضًا صلابة وقدرة على التكيف للحفاظ على معايير الأداء عبر تحديات العالم الحقيقي المتنوعة.
المناقشة
تحدد قسم المناقشة في الورقة البحثية مراجعة شاملة للأدبيات حول تطبيق خوارزميات YOLO (You Only Look Once) في المركبات المستقلة (AVs)، مع التركيز بشكل خاص على مهام الكشف عن الأجسام والكشف عن المسار. تضمنت استراتيجية البحث عدة قواعد بيانات موثوقة واستخدمت كلمات مفتاحية محددة لالتقاط الدراسات ذات الصلة من 2006 إلى 2024، مما يضمن فحصًا شاملاً لكل من الأبحاث الأساسية والمعاصرة. أكدت معايير الاختيار على الدراسات التجريبية التي تضمنت مباشرة خوارزميات YOLO في سياقات AV، مع استبعاد المنشورات غير التجريبية أو غير ذات الصلة. قامت إطار التحليل بتصنيف الأدبيات حسب مجال التطبيق، ومقاييس الأداء، والتطور المعماري، مما يسهل مقارنة منظمة لفعالية YOLO عبر مهام مختلفة ذات صلة بـ AV.
تسلط النتائج الضوء على التقدم الكبير في قدرات YOLO، خاصة في تحسين دقة الكشف والأداء في الوقت الحقيقي في البيئات المعقدة. ومع ذلك، تحدد المراجعة أيضًا التحديات المستمرة، مثل التعامل مع ظروف الطقس السيئ وتعايش المركبات المستقلة والمركبات التي يقودها البشر، مما يعقد مهام الكشف. تقترح الورقة اتجاهات بحث مستقبلية تهدف إلى تحسين منهجيات YOLO لتعزيز صلابتها وموثوقيتها في تطبيقات AV. بالإضافة إلى ذلك، تعترف بالقيود في المنهجية، مثل استبعاد الدراسات غير الإنجليزية والفجوات المحتملة في الأبحاث الناشئة، بينما تؤكد أن الأدبيات المنسقة توفر أساسًا قويًا لفهم مسار YOLO في تعزيز تقنيات إدراك AV.
القيود
تحدد البحث عدة قيود حاسمة في التطبيق الحالي لنماذج YOLO للمركبات المستقلة (AVs). فجوة كبيرة هي غياب مجموعات بيانات عالمية تمثل بشكل كافٍ ظروف الطرق المتنوعة، وأنواع البنية التحتية، وممارسات القيادة الثقافية. اعتمدت معظم الدراسات على مجموعات بيانات قياسية مثل COCO و KITTI، والتي قد لا تعكس تنوع البيئات الواقعية، مما يحد من قابلية تعميم نماذج YOLO. يمكن أن تؤدي هذه القصور إلى أداء دون المستوى في مناطق جغرافية غير مألوفة أو في حالات حركة مرور غير نمطية.
بالإضافة إلى ذلك، تظهر نماذج YOLO الحالية ضعفًا أمام الهجمات العدائية، حيث يمكن أن تؤدي التعديلات الطفيفة على الصور المدخلة إلى تصنيفات خاطئة أو اكتشافات مفقودة. تثير هذه القابلية مخاوف تتعلق بالسلامة لتطبيقات AV وتبرز ضرورة وجود هياكل نماذج أكثر صلابة ومنهجيات تدريب. علاوة على ذلك، هناك تبادل ملحوظ بين دقة الكشف وكفاءة الحوسبة؛ بينما يُعرف YOLO بسرعته، فإن تعزيز الدقة – خاصة للأجسام الصغيرة أو السيناريوهات المعقدة – غالبًا ما يتطلب موارد حوسبة متزايدة. يمكن أن تعيق هذه التحديات النشر على المنصات المحدودة الموارد وتحد من قابلية توسيع أنظمة YOLO في عمليات AV الواسعة في الوقت الحقيقي.
DOI: https://doi.org/10.1016/j.engappai.2026.113893
Publication Date: 2026-02-05
Author(s): Busuyi Omodaratan et al.
Primary Topic: Autonomous Vehicle Technology and Safety
Overview
This research paper provides a comprehensive review of the “You Only Look Once” (YOLO) algorithm, particularly in the context of autonomous vehicles (AVs) where accurate lane detection and lane-change maneuvers are critical for safety and efficiency. The review synthesizes theoretical foundations, architectural innovations, and empirical evaluations of various YOLO variants, emphasizing their strengths in real-time object detection and adaptability to diverse driving conditions. However, it also identifies significant limitations, including challenges in detecting subtle lane markings, robustness against adverse environmental factors, and vulnerabilities to adversarial attacks. The lack of universally representative datasets further restricts the scalability and generalizability of YOLO across different geographical and traffic scenarios.
The authors employ a systematic methodology to critically assess YOLO’s evolution and performance, revealing that while YOLO algorithms show promise for enhancing AV navigation, persistent gaps hinder their full potential. Recommendations for improvement include refining YOLO architectures—potentially through hybridization of YOLOv4, YOLOv7, and YOLOv8—enhancing training methodologies, incorporating sensor fusion, and developing standardized datasets. The review underscores the importance of addressing these challenges to advance the reliability and safety of AV systems, positioning YOLO as a pivotal technology for future autonomous navigation solutions.
Introduction
The introduction of this research paper emphasizes the critical importance of road safety, highlighting its role in saving lives, preventing injuries, and reducing economic costs associated with traffic accidents. The advent of Autonomous Vehicles (AVs) presents a promising solution to enhance road safety by minimizing human error, which is responsible for a significant number of fatalities—approximately 1.35 million annually according to the World Health Organization. Despite the potential benefits of AVs, such as reduced crash frequency and improved traffic efficiency, challenges remain, particularly in ensuring safe lane changes, which are essential for AV functionality. Notable incidents involving AV systems, such as failures in Tesla’s Autopilot, underscore the urgency of addressing these challenges.
The paper critically examines various object detection algorithms, particularly focusing on the YOLO (You Only Look Once) family due to its speed and accuracy in real-time applications. While advancements in detection techniques have been made, gaps persist in the objective comparison of methodologies and their robustness in real-world scenarios. The study aims to provide a comprehensive evaluation of these algorithms and lane-change indices, utilizing benchmark datasets like KITTI and COCO to assess YOLO’s strengths and limitations. It identifies key challenges, including the reliable detection of lane boundaries and adaptability to diverse environmental conditions, while proposing future research directions to enhance the effectiveness and reliability of YOLO-based solutions for AVs. The paper is structured to systematically address mathematical modeling, existing lane detection models, detailed discussions on YOLO, performance evaluations, and future research challenges.
Methods
The methodology employed in this review of YOLO algorithms for lane and object detection in autonomous vehicles (AVs) involved a systematic search and selection process. This approach aimed to gather a comprehensive and unbiased collection of literature, encompassing both foundational theoretical contributions and the latest advancements in the field. By integrating historical context with contemporary developments, the review ensures a thorough analysis of the subject matter, thereby enhancing the understanding of YOLO algorithms’ applications in AV technology.
Results
The comparative analysis of various YOLO (You Only Look Once) variants reveals that incremental architectural enhancements, such as the CSPDarknet backbones in YOLOv4, anchor-free heads in YOLOv8, and gradient improvements in YOLOv10 and YOLOv11, yield measurable performance gains. However, no single YOLO version consistently outperforms others across all metrics and scenarios. For instance, certain versions demonstrate superior performance under optimal lighting conditions but struggle in adverse weather, while others are tailored for specific object classes, sacrificing general-purpose adaptability.
These findings underscore the necessity for adaptive and context-aware detection strategies in YOLO-based algorithms. It is clear that achieving high speed is insufficient; these algorithms must also exhibit robustness and adaptability to maintain performance standards across diverse real-world challenges.
Discussion
The discussion section of the research paper outlines a comprehensive literature review on the application of YOLO (You Only Look Once) algorithms in autonomous vehicles (AVs), particularly focusing on object detection and lane detection tasks. The search strategy involved multiple reputable databases and utilized specific keywords to capture relevant studies from 2006 to 2024, ensuring a thorough examination of both foundational and contemporary research. The selection criteria emphasized empirical studies that directly involved YOLO algorithms in AV contexts, while excluding non-empirical or irrelevant publications. The analysis framework categorized the literature by application domain, performance metrics, and architectural evolution, facilitating a structured comparison of YOLO’s effectiveness across various AV-related tasks.
The findings highlight significant advancements in YOLO’s capabilities, particularly in improving detection accuracy and real-time performance in complex environments. However, the review also identifies persistent challenges, such as handling adverse weather conditions and the coexistence of autonomous and human-driven vehicles, which complicate detection tasks. The paper proposes future research directions aimed at refining YOLO methodologies to enhance their robustness and reliability in AV applications. Additionally, it acknowledges limitations in the methodology, such as the exclusion of non-English studies and potential gaps in emergent research, while asserting that the curated literature provides a solid foundation for understanding YOLO’s trajectory in advancing AV perception technologies.
Limitations
The research identifies several critical limitations in the current application of YOLO models for autonomous vehicles (AVs). A significant gap is the absence of universal datasets that adequately represent diverse road conditions, infrastructure types, and cultural driving practices. Most studies have relied on standard datasets like COCO and KITTI, which may not reflect the variability of real-world environments, thereby limiting the generalizability of YOLO models. This shortcoming can lead to suboptimal performance in unfamiliar geographic areas or atypical traffic situations.
Additionally, the existing YOLO models exhibit vulnerabilities to adversarial attacks, where minor alterations to input images can result in misclassifications or missed detections. This susceptibility raises safety concerns for AV applications and highlights the necessity for more robust model architectures and training methodologies. Furthermore, there is a notable trade-off between detection accuracy and computational efficiency; while YOLO is known for its speed, enhancing accuracy—particularly for small objects or complex scenarios—often requires increased computational resources. This challenge can hinder deployment on resource-limited platforms and restrict the scalability of YOLO-based systems in extensive, real-time AV operations.