智能网联车辆MFP算法轨迹预测模型研究

为解决车辆轨迹预测任务中环境不断变化、车辆间存在交互影响,导致长期预测情况下预测精度较低的问题,提出了一种基于multiple futures predictor(MFP)算法的多智能体轨迹预测模型。采用对称指数移动平均法去除异常数据并平滑轨迹;采用图神经网络(graph convolutional neural network,GCN)进行交互特征提取,将历史轨迹与未来智能体之间的交互特征进行编码;在解码过程中添加车辆自身运动学模型得到动态可行的预测轨迹。对公开数据集NGSIM进行实验分析,结果表明:模型对车辆轨迹预测误差在0.5 m以内;通过对轨迹预测的ADE与FDE结果分析,在预测未来5 s轨迹的情况下,相比于其他方法,ADE降低了30.7%,FDE降低了32.5%,验证了模型和算法的有效性。

基于双模态图像关联式融合的行人实时检测

为解决行人检测任务中低能见度场景下单模态图像漏检率高和现有双模态图像融合检测速度低等问题,提出了一种基于双模态图像关联式融合的轻量级行人检测网络。网络模型基于YOLOv7-Tiny设计,主干网络嵌入关联式融合模块RAMFusion用以提取和聚合双模态图像互补特征;将特征提取部分的1×1卷积替换为带有空间感知能力的坐标卷积;引入Soft-NMS改善结群行人漏检问题;嵌入注意力机制模块来提升模型检测精度。在公开的红外与可见光行人数据集LLVIP上的消融实验表明:与其他融合方法相比,所提方法行人漏检率降低、检测速度显著提高;与YOLOv7-Tiny相比,改进后的模型检测精度提高了2.4%,每秒检测帧数达到124 frame/s,能够满足低能见度行人实时检测需求。

改进PointPillars和Transformer的路侧两阶段三维目标检测算法

为解决路侧点云目标检测任务中复杂场景下远距离车辆漏检率高和道路行人误检率高等问题,提出一种改进PointPillars和Transformer的路侧两阶段三维目标检测算法。算法的第一阶段基于PointPillars设计:骨干网络嵌入SimAM注意力机制学习相似性信息以关注重要特征,替换下采样部分的普通卷积块为带有残差结构的卷积块以提高网络性能。第二阶段基于Transformer对第一阶段生成的候选框进行细化:编码器构建原始点特征进行编码,解码器利用通道加权增强通道信息,提高检测精度,改善误检问题。为验证所提算法的性能,在路侧数据集DAIR-V2X-I和车端数据集KITTI上进行实验。实验结果表明,所提算法相比其他公开算法检测准确率明显提升,同基准算法PointPillars相比,在moderate检测难度下,对DAIR-V2X-I数据集中汽车、行人、骑行者的检测准确率分别提高1.9百分点、10.5百分点、2.11百分点,KITTI数据集中汽车、行人、骑行者的检测准确率分别提高2.34百分点、4.73百分点、8.17百分点。