原文传递
基于多传感器融合的自动驾驶3D目标检测和车道线分割研究
| 论文题名： | 基于多传感器融合的自动驾驶3D目标检测和车道线分割研究 |
| 关键词： | 自动驾驶;环境感知;三维目标检测;车道线分割;传感器;数据融合 |
| 摘要： | 为了提高自动驾驶环境感知的安全性和可靠性，更多类型和数量的传感器被应用于自动驾驶感知技术中。由于不同种类传感器的特性差异，这些传感器能够互相补充，从而增强系统的感知性能。本文从多传感器数据融合关键技术出发，通过将相机和激光雷达传感器所获取的信息进行融合，以提高3D目标检测和车道线分割的准确性和冗余性，从而增强自动驾驶汽车在不同光照和天气条件下的感知能力。本文主要研究内容如下： (1) 针对基于激光雷达的3D目标检测，提出一种基于线束动态下采样方法以生成伪低线束点云，以训练一个基于低线束激光雷达的不需要额外数据标注的点云模型。在此基础上，提出了一种基于指数加权池化及稀疏骨干网络的点云编码器，用于更好地生成鸟瞰图(Bird''s Eye View，BEV)特征。最后采用基于中心(center-based)的检测头完成3D目标检测任务，并通过消融实验和实车实验证明所提出算法的优异性。 (2) 针对纯视觉3D目标检测，提出通过对图像离散深度估计和上下文向量预测将多相机透视图特征转换到BEV空间，并使用和点云分支相同的检测头完成3D目标检测。在此基础上，在骨干网络中引入可变形卷积，并在Neck网络中使用多轴注意力以提升模型特征提取能力。最后通过测试集测试和实车实验中验证算法的可行性。 (3) 针对多传感器特征级融合目标检测，提出在 BEV 空间融合图像和点云数据中的 BEV 特征。为了提高图像分支的 BEV 特征图质量，通过引入激光雷达数据生成伪深度图，用于优化BEV特征图生成。在此基础上，采用动态注意力结构来实现不同传感器通道的特征融合，同时抑制不重要特征信息。消融实验证明了伪深度图和动态注意力结构对模型性能的影响，实车实验也证明了多传感器融合对单一传感器检测结果的提升效果。 (4) 针对多传感器融合的3D车道线检测，提出使用目标检测相同的BEV融合方法。为了减少 BEV 分割的计算量，通过不断上采样的分割头解码 BEV 特征图以生成BEV下的3D车道线。对比实验证明了BEV特征融合的方法能有效提升模型的分割性能，实车实验也证明了算法的可行性。 |
| 作者： | 金祖亮 |
| 专业： | 机械 |
| 导师： | 隗寒冰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
