基于深度学习的车辆目标检测算法综述

车辆目标检测是自动驾驶环境感知的重要组成部分。近年来随着深度学习在目标识别领域取得重大突破,基于深度学习的车辆目标检测算法逐渐成为该领域的研究热点。论文对当前主流的两阶段车辆目标检测算法和单阶段车辆目标检测算法进行简要介绍,分析了其中几种具有代表性的卷积神经网络算法的优缺点,最后总结目前车辆目标检测存在的问题以及未来的发展方向。     

基于多目标优化的自动驾驶车辆轨迹跟踪控制

针对自动驾驶车辆行驶轨迹的横向跟踪问题,设计了线性时变模型预测控制器。以车辆3自由度动力学模型为预测模型,以横向位置偏差最小为主要控制目标,考虑车辆状态约束、控制约束和轮胎侧偏角约束,优化了自动驾驶车辆轨迹跟踪安全性、转向稳定性和操作可行性等多目标性能。搭建MATLAB/Simulink和CarSim联合仿真模型,并将所设计的控制器控制效果与熟练驾驶员操纵结果、线性二次规划控制器控制效果进行了比较分析,结果表明,所设计的控制器可以有效解决多约束条件下自动驾驶车辆行驶轨迹的横向跟踪问题,且在安全性、转向稳定性和操作可行性方面具有显著的优势。     

克服无人机拍摄扰动的高精度车辆轨迹数据提取方法

受气流、机身震动等因素影响,无人机高空悬停拍摄过程中相机会出现不同程度的扰动,对车辆轨迹数据的精度造成了不可忽视的影响。鉴于此,首先采用YOLOv4和Deepsort算法,实现车辆目标的检测与跟踪,获取车辆图像坐标;其次采用Shi-Tomasi角点检测,完成图像锚点的自动检测与跟踪,获取锚点的图像坐标;再次,基于最大残差淘汰策略,对锚点进行甄别优选,采用单应性变换模型,构建图像坐标系与地面坐标系之间的动态映射关系;最后,根据坐标动态映射关系模型,实施坐标转换,并采用RTS平滑滤波,对车辆轨迹地面坐标实施平滑处理。通过抖动消除前、后的车辆轨迹对比,发现实施抖动去除后的车辆轨迹明显剔除了相机扰动造成的车辆“虚假位移”的影响,提取的车辆轨迹坐标能够达到10 cm级精度水平,表明提出的方法成功克服了无人机相机抖动带来的负面影响,对改善车辆轨迹数据的质量具有积极意义。     

航拍视频车辆检测目标关联与时空轨迹匹配

高解析度轨迹数据蕴含丰富车辆行驶与交通流时空信息.为从航拍视频中提取车辆轨迹,构建了车辆检测目标跨帧关联与轨迹匹配融合方法.采用卷积神经网络YOLOv5构建视频全域车辆目标检测,提出车辆动力学与轨迹置信度约束下跨帧目标关联算法,建立了基于最大相关性的断续轨迹匹配与融合构建算法,实现轨迹车辆唯一编号.将轨迹从图像坐标转换...     

基于深度学习的多目标车辆检测及追踪方法

文章是以MTALAB软件为主要平台,基于深度学习建立一种多目标车辆检测及追踪的方法。首先建立一个基于深度学习的模型用于训练的不同场景的车辆数据集,并对所采集的数据集进行标注和格式归一化处理。然后使用K-means聚类算法进行锚框,建立以YOLOv3SPP算法为主的神经网络框架,采用非极大值拟制（NMS）算法得到最终的预测框。最终训练神经网络模型,再对该模型进行测试和评定。经实验可以得出该模型能够准确地检测及追踪多目标车辆。     

基于路侧多机视频目标关联与轨迹拼接的车辆连续轨迹构建方法

针对单个相机覆盖区域有限的问题,本文提出了通过路侧多个相机获取车辆连续轨迹数据的方法。在路侧端布置多台固定相机采集视频数据,采用直接线性变换算法解决相机外参造成的画面畸变问题;通过全时域抽帧提取图片训练样本,采用YOLOv5训练车辆检测模型;针对偶发的车辆漏检情形,通过完整性检查可以筛查出此类情况并修复;针对连续多帧漏检或误检导致的目标关联问题,通过异常轨迹核查算法及数据修复工具解决;针对相机斜下方区域的车辆轮廓变形问题,采用车辆检测轮廓修复算法解决车辆在不同路段检测框大小不一的问题;提出了基于车辆质心坐标匹配的方法实现相邻机位间的车辆轨迹拼接。基于上述多机视频目标关联与轨迹拼接方法,在多机位时间同步下构建了覆盖武汉珞狮路高架桥的车辆连续轨迹数据集,轨迹数据集验证结果表明：数据集涵盖从畅通到拥堵的各种交通状态,包含多段分合流区域,数据集连续时长达到3.5 h,覆盖区域1.41 km;车辆检测模型的召回率达到93.23%,准确率达到98.51%,F1分数为95.80%;数据集包含主路及各处匝道汇入的轨迹共25 734条,其中覆盖道路全域的完整长轨迹15 004条。本研究丰富了路侧多机视频目标关联与轨迹拼接方法,有助于路侧宽域车辆连续轨迹构建及交通管理与控制。     

基于深度强化学习的智能网联车辆换道轨迹规划方法

以提高智能网联车辆换道安全和效率,降低燃油消耗为目的,该文提出了一种基于深度强化学习的智能网联车辆（ICV）换道轨迹规划方法。分析复杂交通场景智能网联车辆换道功能需求,设计了分层式智能网联车辆换道轨迹规划架构;兼顾车辆安全和换道效率,设计了基于完全信息纯策略博弈的换道行为决策模型;解耦车辆纵横向运动状态,构造了以燃油消耗和乘客舒适度为目标的联合优化函数,提出了基于双延迟深度确定性策略梯度（TD3）的智能网联车辆纵横向换道轨迹规划方法,得到了车辆纵横向优化换道轨迹,并利用搭建的3个典型换道仿真场景,验证了算法的有效性。结果表明：与深度确定性策略梯度（DDPG）算法相比,提出的方法在左换道和右换道实验中的训练效率平均提升了约10.5%,平均油耗分别减少了65%和44%,而且单步轨迹规划时间在10 ms内,能够实时获取安全、节能、舒适的换道轨迹。     

基于时间序列的目标车辆轨迹预测算法

针对高速道路场景,对智能车辆前方的目标车辆进行轨迹预测。根据车辆运动轨迹数据具有时序性的特点,并为了增加轨迹特征的表征能力和上下文时空关联性,提出了将车道线特征、目标车辆的特征与历史轨迹数据的特征进行融合,和LSTM-CNN-LSTM融合模型,以提高目标车辆轨迹预测的精度。     

基于Frenet坐标系的智能车辆多场景轨迹规划

轨迹规划是智能车辆行为决策模块的重要组成部分,也是车路协同技术的重要一环。Frenet坐标系相对于传统的笛卡尔坐标系,在车辆规划算法中具有明显优势。因此提出了一种基于Frenet坐标系的智能车辆多场景轨迹规划模型。首先在Frenet坐标系的基础上,根据车辆动力学模型解耦并构建横、纵向两个维度的轨迹规划集模型,然后根据各场景需求分别建立高速、低速、跟驰等多种场景的轨迹优化函数。最后通过仿真验证,证明该模型具有可实现性,并能高效准确地解决多种场景下的轨迹规划问题。     

基于多目标优化的自动驾驶汽车轨迹跟踪控制的研究

由于汽车数量的迅速增长,交通拥堵问题越来越严重,交通事故发生率也随之不断上升,对人类生产生活造成了巨大损失。为了能够减少甚至避免道路交通系统中存在交通控制方面的盲点性和冲突,自动驾驶汽车技术已经成为当前研究的热点。针对基于多目标优化的交通轨迹跟踪控制问题进行了分析与研究,首先介绍了一种简单实用且能有效避免交通事故发生的方法 ;针对国内外相关课题研究现状作简要综述并提出自己所存在和有待解决或改进的关键性问题:即车辆动力学参数确定困难、运动学特性不同时间下位置变化导致轨迹失调及道路拥挤等现象。     

高速公路施工区自动车辆行驶轨迹优化方法

为改善高速公路施工区路段车辆运行状态,建立了一种集合优化换道比例和可变跟车时距的换道控制策略.通过引入交通运行效率和冲突风险目标函数并进行在线求解,从而对施工区车辆行驶轨迹进行优化,提高了车辆的平顺性.在网联自动车环境下,以施工区上游路段车辆平均速度为目标函数,借助遗传算法遍历交通流状态集合,求解换道比例,以此调整施工区上游车辆分布.以施工区汇入路段车辆交通效率和冲突风险为可变跟车时距模型的目标函数,调用CPLEX/Matlab求解器得到汇入路段可变跟车时距.为了在线计算和可视化建立了Matlab/Vissim_COM的仿真平台,通过Matlab编程技术以单步仿真的方式提取Vissim车辆信息,将CPLEX求解器和Vissim的封装环境以函数调用的方式与遗传算法结合,对车辆信息进行优化计算和参数反馈.在总仿真次数达到400次时,模型控制得到最优.结果表明,与未实施控制相比,在最优控制中,当仿真时长达到800 s时,每条车道交通量输入达到700 veh/h,优化效果较为明显,即全局车辆在汇入路段"曝光"次数减少,车辆行驶轨迹变的"平滑",全局运行速度提高了48%,速度标准差的变化幅度降低,全局车辆的速度离散性得到改善,以后侵入时间表征冲突风险,冲突次数降低了39%,高速公路施工区车辆运行状态得到了改善.     

基于深度学习的多角度车辆动态检测方法

针对在复杂场景下,背景区域干扰特征过多、被检测目标运动速度快等导致的动态目标检测率低的问题,研究了基于深度学习的多角度车辆动态检测方法,将带有微型神经网络的卷积神经网络(MLP-CNN)用于传统算法的改进.使用快速候选区域提取算法提取图像中可能存在车辆的区域,之后使用深层卷积神经网络(CNN)提取候选区域的特征,并在卷积层中增加微型神经网络(MLP)对每层的特征进一步综合抽象,最后使用支持向量机(SVM)区分目标和背景的CNN特征.实验表明,该方法能够处理高复杂度背景条件下,部分遮挡、运动速度快的目标特征检测,识别率高达87.9%,耗时仅需225ms,比常用方法效率有大幅度提升.     

基于毫米波雷达组群的全域车辆轨迹检测技术方法

高精度车辆轨迹数据对于高速公路交通管理和智慧服务具有非常重要的研究及应用价值,然而现有的车辆轨迹感知技术难以获得全域全时车辆轨迹数据。为此,提出一种基于毫米波雷达的全域车辆轨迹跟踪技术方法,该方法包括：雷达原始数据获取及适配、轨迹数据清洗及降噪、道路线形感知及还原、车辆轨迹匹配及拼接。其中,雷达原始数据获取及适配通过构建雷达帧数据适配表将雷达数据格式标准化,并通过构建的轨迹可信度评价指标K,剔除镜像车辆轨迹数据,进而基于历史行车轨迹的统计学特征,采用聚类方法还原道路线形,最终通过雷达群组间车辆轨迹特征分析及匹配拼接,实现设备内部及跨设备对车辆轨迹的持续跟踪。利用载波相位差分技术(Real-time Kinematic, RTK)和基于无人机航拍视频定位技术分别对单车及多车轨迹跟踪精度进行检验。研究结果表明：在单目标跟踪状态下,系统的纬度偏差均值为-0.284 m,经度偏差均值为-0.352 m,纬度误差均值为0.712 m,经度误差均值为0.539 m;在多目标跟踪状态下,系统丢车率约为8%,轨迹定位与真实位置偏差均值为0.990 m,具备良好的轨迹跟踪精度。该方法为未来从更加宏观的范围内研究个体驾驶行为风险转移分析、微观水平的驾驶风险的时空演化提供了数据支撑。     

基于深度学习方法的路面裂缝目标检测

公路和城市道路最主要的路面损坏类型是裂缝类病害。能否准确识别,尤其在众多路面信息图像中高效甄别各类表观病害,为路面技术状况评定、养护科学决策和路面病害处置提供基础数据,是当前领域研究的重难点。为此,对横向裂缝、纵向裂缝、斜裂缝长度类和龟裂、破损板面积类等典型裂缝类病害几何特征进行分析,确定了自动识别裂缝样本标注方法,构建了路面裂缝目标检测样本库,包含沥青裂缝长度类图像样本6 311个、龟裂面积类图像样本4 086个、水泥裂缝长度类图像样本37 945个、破碎板面积类图像样本7 310个。基于Faster-RCNN进行训练验证,开展路面裂缝目标检测并实现自动识别。利用北京市政道路2 000 km路面图像进行试验验证,并与路面裂缝Unet分割自动识别方法进行对比。试验结果表明,开展路面裂缝目标检测可通过提出的深度学习方法,有效提高召回率和准确率,其值高达85%以上,自动识别运行效率为12.3帧/s,与Unet分割自动识别方法对比更接近路面裂缝实际情况。     

基于深度学习的三维目标检测方法综述

在介绍二维目标检测方法的基础上,对基于深度学习的三维目标检测方法中的深度神经网络展开探讨,包括间接处理、直接处理和融合处理3类基本方法,并着重分析和对比各深度神经网络在三维目标检测速度和精确度等方面的优缺点,为车载激光雷达目标检测方法的选择提供参考依据。     

基于机器学习的毫米波雷达车辆目标检测

为了提高毫米波雷达对前方车辆检测的准确性,本文提出一种基于机器学习的前方车辆检测方法。结果表明,该方法满足智能客车环境感知系统对于实时性和准确性的要求。     

基于车辆轨迹预测对抗性攻击与鲁棒性研究

针对常规车辆轨迹预测数据集中较少包含极端交通场景信息的问题,本文提出一种新型对抗性攻击框架来模拟此类场景。首先,为了判定不同场景中对抗性攻击是否有效提出了一种阈值判定的方式;然后,针对攻击目的的不同分别设计了两种对抗性轨迹生成算法,在遵守物理约束和隐蔽性前提下,生成更具对抗性的轨迹样本;此外,提出3个新的评价指标全面评估攻击效果;最后,探究了不同的防御策略来减轻对抗攻击影响。实验结果显示,基于扰动阈值的快速攻击算法（attack algorithm based on perturbation threshold for fast attack,PTFA）和基于动态学习率调整的攻击算法（attack algorithm based on dynamic learning rate adjustment, DLRA）在NGSIM数据集上的攻击时间和扰动效果均优于现有算法,更高效发现模型弱点。本研究通过模拟极端情况丰富了轨迹样本,深入评估了模型鲁棒性,为后续优化奠定了基础。