原文传递
基于深度学习的自动驾驶车辆三维目标检测方法研究
| 论文题名： | 基于深度学习的自动驾驶车辆三维目标检测方法研究 |
| 关键词： | 自动驾驶;三维目标检测;环境感知;深度学习;点云数据;特征聚类 |
| 摘要： | 智能驾驶是未来汽车发展的方向之一，环境感知是智能驾驶系统的基础。在环境感知任务中，车辆需要通过各种传感器来获取环境信息、识别物体、理解驾驶场景，为后续的决策和路径规划提供参考。道路信息的检测对于智能驾驶和行车安全非常重要，它使车辆能够有效地判断可行驶区域，为路径规划和安全行车提供指导。在结构化的城市道路场景中，驾驶环境复杂，交通拥堵，这些问题给环境感知带来了巨大挑战。 面对以上问题，本文对道路场景下自动驾驶车辆的环境感知任务进行了研究，在激光点云数据目标检测的基础上提出了改进方法，能够有效解决三维目标检测任务中远处车辆目标存在遮挡影响检测效果的问题，对自动驾驶行驶安全性具有重要意义。本文具体研究内容如下。 针对道路场景中自动驾驶车辆目标检测的问题，通过PCL点云处理库对点云数据进行特征聚类，根据聚类结果得到路面车辆的特征，在此基础上提出将深度学习方法应用于三维点云数据处理中，解决手工提取障碍物特征方法耗时长、计算量大的问题，运用卷积神经网络特征提取点云特征，并将主流深度学习检测网络框架对比分析，确定研究方法和改进思路。 针对点云数据稀疏，远处车辆目标遮挡导致的漏检和误检问题，基于PointPillars检测网络设计多头注意力机制，提出相似形状类别分群的方式，减缓多类别主导网络，改善目标检测效果；针对模型训练数据集中样本不均衡问题，引入数据增强操作，对车辆目标样本随机采样增强数据训练，减缓样本不均衡问题，目标点云处增加随机噪声，提升噪声抗干扰能力；针对目标检测网络算法模型复杂和推理耗时问题，提出模型压缩方法，利用TensorRT加速推理数据精度校准，量化FP32到INT8，压缩模型体积，提升推理速度并降低延迟。 在KITTI数据集中对改进算法模型制定测评指标对比验证，通过AP判断目标检测的准确性。3D检测的AP指标在简单、中等和困难程度下分别提升了7.63%、3.44%和2.12%，BEV检测的AP指标在简单、中等和困难程度下分别提升了3.09%、2.57%和1.12%，证明改进目标检测算法的有效性。 通过搭建实验平台并加载改进目标检测算法，在实际道路环境下对改进目标检测算法进行评测，根据可视化结果，多头注意力机制Pointpillars模型提升了车辆目标遮挡条件下的检测识别率，算法单帧耗时提升了21ms，验证了TensorRT加速推理方法的有效性，满足实时性要求，改进目标检测方法具有在无人车上运用的可行性。 |
| 作者： | 崔靖 |
| 专业： | 车辆工程 |
| 导师： | 董小瑞;刘毅 |
| 授予学位： | 硕士 |
| 授予学位单位： | 中北大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
