原文传递
基于激光雷达的智能汽车3D目标检测算法研究
| 论文题名： | 基于激光雷达的智能汽车3D目标检测算法研究 |
| 关键词： | 智能网联车辆;激光雷达目标检测;多车协同感知;自动驾驶 |
| 摘要： | 智能汽车的辅助驾驶和自动驾驶功能是未来道路交通的发展趋势，而智能汽车的目标检测技术是其环境感知和决策的重要基础。本文致力于针对单阶段3D目标检测算法进行轻量化改进，在满足实时性的同时利用知识蒸馏等手段提升检测性能，以及提出基于特征级融合的多车协同的3D目标检测算法以解决复杂驾驶环境下的障碍物检测问题。主要研究内容如下： 1、本文使用结构重参数化的思想轻量化主干网络，并引入注意力机制来提高单阶段3D目标检测算法的性能。首先，使用结构重参数化的思想轻量化主干网络，可以使网络在提升模型检测精度的同时降低模型参数量。其次，在骨干网络中引入了注意力机制，可以其更关注特征图中的有效信息。试验表明所提出的优化模块相较于原始的网络结构，在降低了43%参数量的情况下，显著提升了检测精度，特别是在车辆、行人和自行车类别的识别性能上取得了明显的提高，平均检测精度提升了3.13%。 2、本文使用知识蒸馏的训练策略对单阶段3D目标检测算法进行优化，提高了网络的检测精度并保持网络轻量化的特点。首先，我们基于两阶段网络结构设计了结构更复杂的教师网络。其次，我们利用包括基于网络输出的知识蒸馏、基于中间特征图的知识蒸馏和基于标签分类的知识蒸馏三种不同知识蒸馏策略对单阶段网络进行了训练。试验表明，不同的知识蒸馏策略均能取得一定的提升效果，甚至在部分指标中超过了使用两阶段网络的教师模型。在车辆类别的中等难度中，使用了知识蒸馏策略的检测精度比原始的学生网络提升了4.17%。证明了知识蒸馏方法使得单阶段网络可以继承两阶段网络的检测性能，同时保持轻量化的特点。 3、本文针对复杂智能驾驶环境中的障碍物检测需求，提出了一种基于特征级融合的多车协同的3D目标检测算法。模型不仅考虑了单车目标检测模型的缺陷，同时利用多车协同感知的方式提高了检测精度，针对基于特征级融合的多车协同模型，设计了特征对齐模块和多尺度可变形注意力模块。在OpenCOOD数据集上验证了融合模型的有效性，并与最新的协同感知模型相比较，达到了最好的检测精度，在Culver场景下，0.7AP比最优的检测模型FPV-RCNN提高了7.5%。 4、本文在CARLA模拟器上搭建虚拟场景，并生成了仿真测试数据，分析了多车协同方法在不同地点、天气场景下与不同交通参与者分布下的测试结果。实验结果显示，本文提出的算法在不同场景下均有一定的应用效果，同时也表明训练样本的多样性对基于深度学习的目标检测器性能的重要性。 综上，本文的研究成果对于智能汽车的目标检测技术的发展具有重要意义。 |
| 作者： | 魏珍琦 |
| 专业： | 车辆工程 |
| 导师： | 王菲 |
| 授予学位： | 硕士 |
| 授予学位单位： | 吉林大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
