본 논문은 첨단 서스펜션 시스템의 예측적 인지에 필수적인 도로의 과속방지턱과 웅덩이 실시간 탐지를 위한 경량 고속 탐지 프레임워크인 SBP-YOLO를 제시합니다. YOLOv11n을 기반으로 GhostConv와 VoVGSCSPC 모듈을 백본과 넥에 통합하여 계산량을 줄이고 다중 스케일 의미 특징을 향상시켰습니다. 소형 물체 탐지를 개선하기 위해 경량 고효율 탐지 헤드 LEDH를 사용하는 P2 레벨 분기를 도입하여 정확도 저하 없이 계산 오버헤드를 완화했습니다. NWD 손실, 백본 수준 지식 증류, Albumentations 기반 증강을 결합한 하이브리드 학습 전략을 통해 위치 정밀도와 강건성을 더욱 향상시켰습니다. 실험 결과, SBP-YOLO는 87.0%의 mAP를 달성하여 YOLOv11n 기준 모델보다 5.8% 향상되었으며, TensorRT FP16 양자화 후 Jetson AGX Xavier에서 139.5 FPS로 실행되어 P2 향상된 YOLOv11보다 12.4% 빠른 속도를 보였습니다. 이러한 결과는 임베디드 서스펜션 제어 시스템에서 빠르고 낮은 지연 시간의 도로 상태 인지를 위한 제안된 방법의 효과를 입증합니다.
