轻量化的YOLOv8锥桶检测算法研究

针对现有无人驾驶方程式赛车对锥桶检测算法存在运算量大、精度低等问题,提出一种改进的YOLOv8n算法,该算法检测精度高、模型参数量少。改进算法引入Stem模块和EfficientNet-Lite网络结构来替换YOLOv8主干网络,由于YOLOv8的检测头中解耦的参数量占总参数的40%,故设计一种结构轻量化的检测头结构来减少模型的参数量,加入下采样倍数为4的高分辨率特征图P2用于检测微小目标。实验结果表明:在数据集上,改进的YOLOv8算法与原来的YOLOv8n算法相比,平均精度指标从90.1%提升到93.8%,参数量从3.00 M降到1.37 M,计算量从8.1GFLOPs降到4.7GFLOPs;在实车测试中,不但有效减少了锥桶的漏检现象,而且模型内存缩减了49%。

基于激光雷达的锥桶检测算法

针对激光雷达手动提取特征进行锥桶检测难以解决实时性、准确率兼顾的问题,设计了一种多线激光雷达的锥桶检测算法。在点云预处理部分使用直通滤波减少点云数量,地面分割部分使用优化后的随机采样一致性(random samplec onsensus,RANSAC)算法进行地面分割,最后对欧式距离聚类结果进行后处理。试验结果表明:与传统的RANSAC地面分割和欧式距离聚类相比,提出的地面分割优化方法能够更快速、准确地将地面点剔除并达到实时性要求,欧式距离聚类后处理可将非锥桶障碍物剔除。

点云多属性聚类的三维锥桶目标检测算法

为了解决大学生方程式无人车在赛道环境中锥桶检测精度不高的问题,提出一种针对大学生方程式无人车比赛的三维锥桶目标检测算法。首先,在激光雷达采集到的点云中提取ROI区域;其次,在该区域进行地面点去除;最后,在非地面点云中执行点云聚类,将属于锥桶的点聚类为一簇,实现赛道锥桶目标的检测。本方法对原有单属性聚类方法进行改进,采用点云强度和点云密度多属性进行聚类。通过大学生方程式无人车实车测试,提出的三维锥桶目标检测算法在多个赛道场景中均取得90%以上的准确度,为后续大学生方程式无人车比赛提供了优异性能的算法。

基于改进欧氏聚类的锥桶检测方法与试验

针对赛道环境下欧氏聚类算法检测锥桶不准确的问题,提出了一种基于改进欧氏聚类算法的锥桶检测方法。首先,通过机器人操作系统(ROS)采集点云;再对点云预处理,找到感兴趣区域(ROI)后,利用随机采样算法分离地面和锥桶的点云;然后,将距离和阈值模型化;接着,设计出面向赛道环境的区域划分方法来改进欧氏聚类算法,利用动态阈值聚类分割出锥桶点云;最后,通过Matlab平台验证算法。在两种赛道环境下进行实车试验,聚类分割的准确率分别达到93.98%和99%。试验结果表明,所提方法能够准确地检测赛道中的锥桶。

无人驾驶方程式赛车轻量化目标检测算法

针对现有无人驾驶方程式赛车目标检测算法运算量大、精度低等问题,提出方程式赛车目标检测算法。在图像预处理阶段,裁剪图片中无正样本部分,图片被小幅随机缩放平移。在网络结构上,调整ShuffleNetv2的结构,加强对颜色、光照和边缘等浅层特征的关注,利用特征金字塔对输出特征进行融合处理,基于广义焦点损失优化损失函数,获取正样本的类别和位置信息。实验结果表明:在FSACOCO数据集,文中算法的平均精度达到97.9%,浮点运算量为1.14 GFLOPs,优于其他对比算法。