解鸿滨,赵海艳,陈虹等 | 智能车辆的全天候感知：基于WBCNet切换感知算法
文摘
科技
2024-09-30 12:30
北京
![]()
![]()
研究团队
解鸿滨，赵海艳，徐成成：吉林大学通信工程学院
陈虹：同济大学电子与信息工程学院
文章下载
Hongbin XIE, Haiyan ZHAO, Chengcheng XU & Hong CHEN. All-day perception for intelligent vehicles: switching perception algorithms based on WBCNet. Sci China Inf Sci, 2024, doi: 10.1007/s11432-023-4116-5
![]()
智能车辆为未来交通提供了新的可能性，并能极大地改善交通拥堵、节约能源以及减少其他交通问题。由于天气条件和一天中不同时间的变化，自动驾驶系统面临重大挑战。在这方面，提高感知精度是智能车辆研究领域的重要任务之一。准确的感知为下游任务（如决策和路径规划）提供了重要基础，以确保智能车辆的安全运行。大多数智能车辆的感知算法都是针对特定场景设计的。在驾驶过程中，天气和时间对交通有各种负面影响。当天气和环境变化时，感知算法的精度会不同程度地降低，从而带来一定的安全风险。通过准确识别驾驶场景，智能车辆可以根据场景的特点动态调整其感知算法，以适应当前环境。因此，一个能够全天候实现准确感知的框架对于智能车辆来说尤为重要。为了解决天气和环境变化导致感知精度下降的问题，本文提出了一种基于天气和亮度的分类网络（WBCNet），用于驾驶场景分类为了便于其在车辆中的应用并减少对车辆芯片的计算需求，WBCNet设计了包括注意力机制和空洞卷积在内的特殊模块。空洞卷积与残差连接的结合使WBCNet能够同时处理不同尺度的信息，这有助于简化深度网络的训练和优化，从而提高模型的性能并减少过拟合的风险。通过通道注意力和空间注意力的融合，WBCNet具备了出色的特征关联能力，使其能够更好地关注图像中的天空、车道线和其他交通信息特征。这种设计使得WBCNet仅需使用图像作为输入，非常适合工程应用。WBCNet的输出为下游感知模型选择算法提供了基础，使其能够准确选择适用于不同场景的感知模型。为了验证WBCNet的性能，构建了一个基于Carla的复杂场景数据集进行对比测试。并将WBCNet的关注内容可视化，并对所提架构进行的验证。对所提模块进行了消融实验。最后，使用一个真实世界驾驶数据集来验证WBCNet的有效性和实时性能。![]()
