基于深度学习的复杂交通环境下目标跟踪与轨迹预测研究

发布时间：2021-09-01 03:26

　　面向未来,电动汽车自动驾驶是解决道路交通安全、缓解交通拥堵、提高驾驶人舒适性的重要手段。世界范围内,学术界和工业界都投入大量精力对于自动驾驶系统进行研发,目前已取得一定成果。自动驾驶系统一般分为环境感知、路径规划和决策控制三个部分,实现道路交通环境的准确感知是自动驾驶系统的基础和前提。基于视觉传感器的环境感知因其价格低廉,适应性广等特点,是目前主要研究方向之一。传统机器学习方面在面对如遮挡等多种视觉属性问题时,已难以完全解决。深度学习因其强大的表征能力在计算机视觉的各个领域都取得较好效果,基于深度学习的视觉感知算法是目前最有潜力的方向之一。本论文依托于国家重点研发计划项目《智能电动汽车的感知、决策与控制关键基础问题研究》（2016YFB0100900）和《电动自动驾驶汽车关键技术研究及示范运行》（2017YFB0102600）。考虑时空类感知算法目前研究并不充分,关注自动驾驶环境感知方案中的单目标跟踪、多目标跟踪和轨迹预测,重点研究基于深度学习方法的视觉传感器以获取复杂交通环境下目标的种类、位置和运动轨迹。通过分析国内外相关研究的现状后,总结现阶段相关研究中存在的问题与不足,确定本文的... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：115 页

【学位级别】：博士

【部分图文】：

自动驾驶的三大关键系统

第2章深度学习目标检测方法23包围框和类别概率，其整体网络图如图2.4所示。图2.4YOLO算法网络结构图尽管YOLO在速度上具有重大提升，以至于在工业界广受欢迎，但是其仍然在定位准确度上与二阶段检测器相比具有明显性能下降，特别是在针对小目标检测。因此初始版本之后的迭代版本以及之后提出的SSD算法都在这一问题上进行针对性改进。2.4.2SSD算法SSD(SingleShotMultiBoxDetector)是2015年提出的单阶段目标检测器[111]。SSD算法的主要贡献是将多回归框多分辨率目标检测技术的引入，在这一过程中对于固定默认包围框集合在每一个位置设置不同尺度并在其中一些包围框中特征图设置不同尺度，从而显著提高一阶段检测器的效果，特别是针对小目标检测的效果，其整体网络结构图如图2.5所示。图2.5SSD算法网络结构图

第2章深度学习目标检测方法23包围框和类别概率，其整体网络图如图2.4所示。图2.4YOLO算法网络结构图尽管YOLO在速度上具有重大提升，以至于在工业界广受欢迎，但是其仍然在定位准确度上与二阶段检测器相比具有明显性能下降，特别是在针对小目标检测。因此初始版本之后的迭代版本以及之后提出的SSD算法都在这一问题上进行针对性改进。2.4.2SSD算法SSD(SingleShotMultiBoxDetector)是2015年提出的单阶段目标检测器[111]。SSD算法的主要贡献是将多回归框多分辨率目标检测技术的引入，在这一过程中对于固定默认包围框集合在每一个位置设置不同尺度并在其中一些包围框中特征图设置不同尺度，从而显著提高一阶段检测器的效果，特别是针对小目标检测的效果，其整体网络结构图如图2.5所示。图2.5SSD算法网络结构图


本文编号：3376193