自动驾驶场景下的车辆检测技术研究

发布时间：2020-09-08 17:24

　　近年来人工智能领域最热的创业项目非自动驾驶莫属了。自动驾驶技术也被称为无人驾驶技术,使用传感器感知周围环境,利用机器学习算法,控制车辆在没有人类干预下,安全地完成驾驶任务。自动驾驶不仅可改善人们通勤体验,同时可以大大降低交通事故的发生,缓解交通拥挤问题。自动驾驶感知领域的重要一环是车辆位置检测。车辆位置检测就是利用传感器采集的信息,检测出周围车辆与自动驾驶车辆的相对位置。随着深度学习技术的发展,通用目标检测技术也逐渐变得成熟。但对于自动驾驶场景来说,通用目标检测技术只能检测出摄像头视角下的相对位置,无法获得真实空间中的位置信息,且存在实时性较差,易受光照变化影响等问题,需要做进一步的改善才能满足要求。本文的第一个工作是研究了基于融合的感兴趣区域特征的蒸馏学习机制,利用训练好的大检测模型指导轻量级的小检测模型的训练。在不需要使用Image Net预训练模型初始化网络的情况下,小网络仍然取得较好的检测效果。该方法可以使我们更加容易训练轻量级的模型,加快了算法的研究迭代速度,并且可取得较好的检测精度。此外传统的通用目标检测技术由于是基于二维图像,难以获得图像内物体大小的尺度信息,也就是无法估计图像中车辆的实际位置。激光雷达可以获取周围环境的3维位置信息,且具有较高的可靠性,自动驾驶技术安全性是一切的前提,因此使用激光雷达进行环境感知是重要的研究热点。本文另一部分工作是研究基于摄像头与激光雷达点云数据融合的深度学习车辆检测方案。现有的多模态融合车辆检测技术,在实时性和检测精度上还有所欠缺。我们利用提到的蒸馏学习机制训练更加轻量化的特征提取网络,且使用特征金字塔结构进行跨层级融合物体的语义信息和细节信息特征,最后对多模态特征采用channel shuffle技术更好地深度融合摄像头与激光雷达特征,使网络在多任务学习策略下更快更好地收敛,实验表明本文提出的方法实时性和检测效果不错。
【学位单位】：广东工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U467;TP391.41
【部分图文】：

自动驾驶,汽车

第一章绪论工智能技术尤其是深度学习技术的发展，自动驾驶技术逐渐迎来，这也极大得吸引了具有深厚人工智能积累的互联网巨头们的注展的最早和投入最大的一家公司，其自动驾驶技术代表着当下的车系统主要包括汽车摄像机、激光雷达、高速网络云平台技术、统以及车载计算机系统等模块。早在 2012 谷歌就获得美国内华达驶执照。相关数据表明截至 2017 年，谷歌无人驾驶路测里程数（约 644 万公里）；另外其母公司 Alphabet 已经明确表示旗下无o 将在 2018 年内在美国凤凰城推出无人出租车服务。图 1-1 是谷汽车。

自动驾驶,百度,车队

图 1-2 百度自动驾驶车队Figure 1-1 Baidu self-driving cars国内外目标检测与车辆检测技术研究现状视觉的车辆检测技术是通用目标检测技术的一个分支。车辆检测技术考通用目标检测技术方案然后针对车辆的视觉特性进行优化。目标检说就是寻找图像中我们想要的特定类别物体的位置。该任务对人类而但是由于车辆的多样性，光照变化，图像中物体近大远小等挑战。传特征滑动窗目标检测算法如：SIFT，HOG，SURF[1~3]等，存在时间复冗余以及无法提取有效的语义信息等缺点，这也是以前限制自动驾驶键瓶颈之一。检测技术的突破源自于深度学习技术尤其是卷积神经网络的发展。20纽约时报》报道了谷歌大脑项目，该项目由斯坦福机器学习教授 Andre

对比图,局部连接,全连接,对比图

卷积神经网络有三个特性：局部感受野，共享权值，池化。因为这几个特性神经网络非常适合用于处理具有局部相关特性类型的数据，如图像和语音数据1 局部感受野全连接网络的隐含层神经元会和输入所有元素进行连接，然而这对于图像来说致参数爆炸的问题。局部感受野代表的是隐含层神经元仅与局部相邻元素进行。在图像处理领域也就是只与图像部分相邻像素进行相连。这主要与图像数据具有的特点有关，图像中物体一般由局部组成整体，先逐层提取局部特征，随络的加深则可获得全局信息。这样的局部连接方式可以避免过多的参数和背景扰。如图 2-1 所示，左边显示的是全连接网络，每个隐含层神经元连接所有输入像右边的是采用局部感受野机制连接的网络，每个隐含层神经元只与局部相邻区接。

【相似文献】