详情

原文传递面向城市道路的自动驾驶场景理解方法研究

论文题名：	面向城市道路的自动驾驶场景理解方法研究
关键词：	城市道路;自动驾驶;场景理解;目标检测;域适应语义分割
摘要：	自动驾驶是当前研究热点之一，场景感知与理解是自动驾驶系统的主要内容，研究复杂交通场景理解能够有效提升自动驾驶系统的决策能力和智能水平，有效保障车辆行驶安全。面向城市道路的复杂交通场景理解主要包括各类交通目标检测、交通场景语义分割和场景理解。针对城市道路场景中小目标检测效果差、光照天气等因素导致目标特征表达困难、复杂交通场景理解效率低等问题，充分考虑算法精度、速度、计算资源等因素，以城市道路环境下车载视觉为出发点，重点开展了交通目标检测、道路场景分割、自动驾驶场景理解等方法研究，具体研究内容如下：　　（1）提出一种适用于城市道路场景的交通目标检测方法。针对车载视觉下道路交通目标尺寸差异大、小目标多、存在遮挡等问题，提出了一种基于多尺度特征重组的（Multi-scale Features Reassembly YOLO，MFR-YOLO）道路交通目标检测方法。首先，在特征融合和检测网络中引入小目标检测层，提升小尺寸交通目标细节特征表达能力；其次，在特征融合网络中采用特征重组上采样模块，提高不同尺寸交通目标特征表征能力；然后，通过引入高效交并比损失函数，缩小交通目标间尺寸差异；最后，在 BDD100K 数据集上进行实验验证，实验表明，本文方法相较于基线算法，其检测精度提升了 3.7%，检测速度达到了172.41frames/s。　　（2）提出一种适用于城市道路的道路场景分割方法。针对复杂道路场景中障碍物不规则、光照天气等环境因素变化大、场景分割难度大等问题，提出了一种基于混合中间域和傅里叶域适应的（Mixing middle domain and Fourier domain adapted Transformer，MFFormer）城市道路场景分割方法。首先，引入DAFormer的半监督语义分割网络结构，降低模型对标注数据的依赖；其次，分开考虑场景因素与天气环境等因素，在源图像和目标图像之间添加中间域，优化网络损失函数，提升模型场景适应能力；然后，利用傅里叶域适应具有可替换振幅和相位信息的特性，实现目标图像内容的保留和风格的改变，增强图像对场景的适应性；最后，在 Cityscapes和 ACDC数据集上进行实验验证，实验表明，相较于基线算法，本文方法在夜间、雾天、雨天和雪天等场景下分别提升了 3.92%、2.01%、3.99%、4.71%。　　（3）提出一种适用于城市道路的多任务场景理解方法。针对自动驾驶场景理解效率低、计算资源消耗大等问题，提出了一种基于多任务学习的（Multi-Task Learning YOLO，MT-YOLO）场景理解方法。首先，利用目标检测的特征提取网络和特征融合网络作为场景理解算法的编码器，使多个任务共享相同的编码器，提升模型的使用效率；然后，根据语义分割网络的特点，构建了两种分割分支，并优化网络连接的内部细节；最后，在 Cityscapes 数据集上进行单任务和多任务的实验，实验表明，多任务场景理解算法同时实现交通目标检测和道路场景分割任务，以 7.82M 的参数量实现了 54.4%的检测精度、71.5%的分割结果和45.85frames/s的速度。
作者：	刘金凤
专业：	交通运输工程;交通信息工程及控制
导师：	邓天民
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2023