基于YOLOX-Tiny的长尾分布交通标志识别模型

在智能驾驶领域,准确识别交通标志对行车安全具有重要意义,交通标志训练集往往服从长尾分布,这为交通标志识别带来极大难度。针对于长尾分布数据集训练出的模型在尾类上表现差的现象,提出一种基于YOLOX-Tiny的长尾分布交通标志识别模型。在TT100K_2021(tsinghua-tencent 100K 2021)数据集基础上制作交通标志长尾数据集;从制作数据集图片数量、样本分布以及模型大小出发,选择YOLOX-Tiny作为基础模型;采用EQL v2(equalization loss v2)和FL(focal loss)作为分类损失和目标置信度损失,平衡分类器头尾差距,增强模型对目标置信度的预测;在颈部双向金字塔中引入上采样算子CARAFE、坐标注意力机制(coordinate attention,CA)和CAR-ASFF模块(CARAFE+adaptively spatial feature fusion),解决传统特征金字塔上不同层级特征图的反向传播冲突问题,提升特征重组效果,突出目标特征。研究结果表明:改进的YOLOX-Tiny模型在制作的长尾交通标志数据集上m AP_(50)和m AP_(50:95)分别达到了43.67%和29.98%,改进模型相比较其他几种目标检测模型具有更高的检测精度。

基于知识蒸馏的轻量化Transformer目标检测

在自动驾驶领域,目标检测的高效性和准确性尤为重要,基于Transformer结构的目标检测方法逐渐成为主流,省去了复杂的锚点生成和非极大值抑制。针对现有方法计算成本高和收敛速度慢的问题,设计了一种基于池化操作的轻量化Transformer目标检测模型(LPT),包含了池化主干网络和双池化注意力机制,设计了针对DETR(detection transformer)模型的通用知识蒸馏方法,将预测结果、查询向量和教师提取的特征作为知识传递给轻量化的Transformer模型,帮助其提升精确度性能。通过在MS COCO 2017数据集上的实验,验证经过蒸馏的LPT模型在自动驾驶中的应用潜力,实验结果表明:本文方法具有较好的准确性,与一些先进的方法相比具有一定优势。

机器视觉在智能驾驶中的应用研究

随着人工智能与计算机视觉技术的快速发展,机器视觉成智能驾驶关键技术。该文深入研究其在智能驾驶的应用,概述主要功能,如道路检测等,还分析了各功能的技术实现方法及实际应用,展现了机器视觉对智能驾驶的重要性。

双目视觉感知下的公路限高实时预警算法

针对车辆运动工况下对种类繁杂的公路限高设施测高难的问题,提出一种双目相机限高目标实时监测算法。通过分析限高场景及设施,采集并构建大规模多场景的公路限高数据集;采用基于深度学习的检测和跟踪算法获取目标区域;利用多步多尺度的滤波算法对双目视差数据进行处理,得到高置信度的限高设施视差数据,进而计算距离及高度信息;最后采用鲁棒性输出策略对计算得到的测距和测高数据进行输出预警。通过多场景限高测试,目标检测精度为98.77%、漏检率为0.87%、误检率为0.36%,在60 m内的平均测高误差小于4%。实验结果表明该算法可以实现公路限高目标的自动检测,能够实时鲁棒地输出测距、测高和预警信息。

基于VSL-MPC的半主动悬架预瞄控制研究

车载传感器为智能汽车提供了丰富的环境感知信息,然而,在电控悬架控制算法中,车辆所感知的路面信息尚未能被充分利用,造成车辆动力学控制效果不佳。本文以半主动悬架高性能预瞄控制问题为研究主题,提出了一种变步长模型预测控制(VSL-MPC)算法。该算法根据实时车速和双目相机采集的路面信息来确定预瞄控制步长,使得纳入控制算法中的路面感知信息能够更准确地反映路面特征,有助于半主动悬架在更恰当的时刻对悬架阻尼特性进行调节,能够实现更理想的悬架决策控制。利用双目相机对真实道路开展路面信息采集,引入半主动悬架系统最优性能界限作为性能评价基准,建立4种基于模型预测控制的半主动悬架仿真模型,仿真对比结果表明,驶过连续减速带和井盖冲击等典型城市路面特征时,所提出的VSL-MPC算法控制下的簧载质量垂向加速度与最优性能界限的差距仅为0.72和2.33 dB,相比传统预瞄MPC算法的4.31和4.46 dB、传统无预瞄MPC算法的4.04和4.74 dB具有显著提升,新算法能有效提升半主动悬架的动力学性能。

用于自动驾驶系统的相机成像模型的构建

不同的成像系统可以使用不同的模型进行更准确的描述,模型建立后,再通过标定过程计算出这些模型中的参数,最终得到对成像系统进行描述的相机内参与相机外参。模型建立的好坏,直接关系到标定计算后得到的内、外参数对相机成像系统描述的准确性。本文一改以往通过多项式来建立切变模型,而是利用旋转坐标系建立切变模型,完成了图像坐标到数字图像坐标的变化;根据成像步骤,构建了相机的成像模型。经企业实践验证,方案有效可靠。本文相机成像几何模型将用于自动驾驶系统后续图像处理。

基于关键点和多帧图像特征融合的限高深度检测网络

路况检测是智能驾驶中的一项核心任务,其中包含限高检测任务.鉴于学术界中与限高检测相关的研究还不够成熟,文章对限高检测方法进行了研究,提出基于关键点和多帧图像特征融合的限高检测网络.将关键点思想引入限高检测任务,减少不必要的预测,提升检测效率;引入卷积门控循环单元(ConvGRU)对多帧图像进行建模,学习多帧图像之间的上下文关系,提升召回率,降低漏检率;提出空间细节特征(spatial particulars feature,SPF)模块,加强解码层的多尺度特征融合;引入坐标注意力机制,进一步关注目标检测区域,提升模型的查准率.实验结果表明:该网络不仅能够很好地完成限高检测任务,并且相比于BiSeNet、PINet、PSPNet等其他先进网络,能够更好地平衡查准率与召回率,拥有更高的F1值和较少的参数量;同时对于车道线检测任务,在精度与漏检率方面也表现优异,进一步证明了该网络的有效性.

基于超分辨率角点检测算法的双目相机高精度标定方法

双目相机标定是研究立体视觉的基础工作,标定的精度是视觉测量精度的关键。图像角点提取是相机标定的基础,但在现实应用场景中,外界影响使获取的图像不清晰,导致检测到的角点精度低,从而影响标定的精度。因此,提出一种基于超分辨率亚像素角点检测的端到端算法,从特征级解决低质量角点检测问题。首先,应用盲超分部分估计低分辨率图像模糊核,融合低分辨率图像特征重建出高分辨率图;然后,在此基础上得到角点亚像素位置;最后对双目相机进行高精度标定,并用测距实验对其进行检验。实验结果表明,所提基于超分辨的亚像素角点检测方法在真实场景下具有优越性。

基于两阶段非期望DEA模型的商业银行效率评估

本文将两阶段非期望DEA模型引入银行效率评估,从银行系统内部运营结构入手,构建符合银行结构特征的两阶段网络DEA非线性模型.基于合作共赢的思想,该模型使中间产出在两个子系统的权重相等,将关系模型从规模报酬不变扩展到规模报酬可变的情形,每个银行的系统效率分解为两个子系统的乘积,启发式搜索方法被用来求解新提出的模型.本文将银行经营过程分为筹资阶段和运营阶段,分别应用加权和两阶段模型与该模型对23家商业银行的效率进行测算,验证了提出新模型的合理性.

基于运动去除的姿态估计算法

近年来,自动驾驶技术得到了加速发展,提出许多经典的姿态估计算法实现车辆的定位.但在实际场景中,一些运动点会给姿态估计结果带来误差.提出了一种基于运动去除的姿态估计算法.首先,基于特征点信息建立了几何约束条件,实现点的初步筛选.其次,利用聚类算法将视差图划分为不同的聚类区域.随后,根据数学模型将聚类区域判断为动态区域或静态区域,进一步丢弃动态区域中的特征点.实验表明,本文算法能够有效去除错误的特征信息,更加准确的实现车辆定位.