.png){kind=icon}
返回
Research on multi-task visual environment perception method for intelligent driving
.png){kind=icon}
PRE
AI
DOI：10.1177/09544070251370418.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
环境感知是确保智能车辆安全稳定行驶的关键技术。针对现有单任务模型无法满足多样化感知的问题，提出了一种多任务环境感知算法MTP-Net（Multi Task Perception-Network），能够同时完成车辆检测任务和车道线分割任务。MTP-Net采用CSP-Darknet53作为高效的共享骨干网络，引入BiFPN（Bidirectional Feature Pyramid Network）多尺度加权特征融合和小目标检测层以实现高精度车辆检测，采用DySample动态上采样和编码器-解码器结构以实现精确车道线分割，并结合加权损失函数设计有效提升多任务学习的整体性能。此外，为解决现有多目标跟踪方法性能不足的问题，基于MTP-Net车辆检测分支的预测结果，通过引入加速度状态变量并使用UKF（Unscented Kalman Filter），提出了一种改进的ByteTrack_UKF算法，实现了多目标车辆实时稳定跟踪。实验结果表明，MTP-Net车辆检测的mAP50为82.1%，车道线分割的IoU为28.2%，多目标车辆跟踪的IDsw相比原算法降低了42.86%。MTP-Net集成ByteTrack_UKF算法并部署在边缘计算设备NVIDIA Jetson Xavier NX上，推理帧率为47.91 FPS，能够高效完成车辆检测、跟踪和车道线分割任务，实现智能车辆对环境的实时多样化感知。
Keyword:
Environment perception
multi-task learning
target detection
lane line segmentation
multi-target tracking
期刊
机构
暂无机构信息
引用论文
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏Traffic flow parameter estimation for complex environments based on improved YOLOv8.png)
Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering
Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile EngineeringIF0
PREAI
分享收藏Vision-based environmental perception for autonomous drivingProceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering
OAAI
Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile EngineeringIF0
OAAI分享收藏
查看更多内容