针对自动驾驶车辆在城市开放道路场景下,交通元素和交通事件感知精度不足、目标检测模型参数大且难部署的问题,提出了一种多视角的轻量化车路协同感知模型。在车辆驾驶过程中分别对路侧和车辆的传感器各自的图像数据进行采集,通过车辆...针对自动驾驶车辆在城市开放道路场景下,交通元素和交通事件感知精度不足、目标检测模型参数大且难部署的问题,提出了一种多视角的轻量化车路协同感知模型。在车辆驾驶过程中分别对路侧和车辆的传感器各自的图像数据进行采集,通过车辆姿态信息与相对位置,将车辆信息转换到路侧坐标系下,实现坐标系的统一;利用ImVoxelNet算法进行目标检测,同时采用训练后量化(Post Training Quantization, PTQ)方法压缩目标检测模型;通过匈牙利算法对感知结果进行融合,实现城市开放道路场景下高精度、低开销的车路协同目标感知;采用车路协同的数据集进行实验。结果表明该模型实现了城市开放道路场景下车路协同感知的检测能力,同时验证了所提算法的可行性和有效性。展开更多
文摘针对自动驾驶车辆在城市开放道路场景下,交通元素和交通事件感知精度不足、目标检测模型参数大且难部署的问题,提出了一种多视角的轻量化车路协同感知模型。在车辆驾驶过程中分别对路侧和车辆的传感器各自的图像数据进行采集,通过车辆姿态信息与相对位置,将车辆信息转换到路侧坐标系下,实现坐标系的统一;利用ImVoxelNet算法进行目标检测,同时采用训练后量化(Post Training Quantization, PTQ)方法压缩目标检测模型;通过匈牙利算法对感知结果进行融合,实现城市开放道路场景下高精度、低开销的车路协同目标感知;采用车路协同的数据集进行实验。结果表明该模型实现了城市开放道路场景下车路协同感知的检测能力,同时验证了所提算法的可行性和有效性。