当前位置: 直线机 >> 直线机资源 >> 为什么说自动驾驶凛冬已至有哪些原因
自动驾驶凛冬已至是因为在热门当下的技术挑战,那让我们一起来探索原因。
最近几年,将目标检测和跟踪、车道线检测、轨迹预测作为核心的环境感知已成为智能驾驶领域研究的重点。车道线检测是目标跟踪过程中辨别目标车辆所在车道位置关系的基础。咱们对单目三维目标检测、车道线检测、车辆轨迹预测、雷达目标跟踪的现状进行研究。
关于车道线检测方法的现状,车道线检测是智能驾驶系统的关键,它不仅防止车道偏离,而且还可以辅助车辆定位,还能判别目标车辆所在的车道位置关系。因为车道线在图像中的所占像素数量少,分布广泛,它易受光照不足、类似纹理、遮挡的干扰,那么车道线检测相更具有挑战性。车道线检测算法分类:基于深度学习的车道线检测算法、基于传统计算机视觉的车道线检测算法。其中基于传统计算机视觉的车道线检测算法是在车道线检测任务数据集出现前,车道线检测任务是按照手工提取特征,车道线检测算法通常分为基于道路特征、基于道路模型的2种车道线检测方法。
关于基于道路模型的车道线检测算法,它的步骤为建立道路模型、提取车道线像素、拟合车道线模型。通常车道线模型有直线、抛物线、双曲线、样条曲线模型。基于道路模型的车道线检测侧重对直线、抛物线、双曲线等模型参数来估计,再对曲线来拟合。此方法在车道线出现断裂或者局部被遮挡,车道线模型提供的角度、位置、曲率的信息,利于提升车道线检测的性能。然后因为道路结构差异,车道线多种多样,比如主行驶道路与匝道之间的合并与分流,那么不存在统一的模型能够精确描述所有的车道线信息。
关于基于道路特征的车道线检测算法,它侧重于利用车道线和道路特征间的区别,通过设定合适的分割阈值对图像中的像素来分割,突出车道线特征,最终达到车道线检测的效果。一般车道线检测特征涵盖边缘特征,颜色特征,消失点,梯度变化的车道线特征信息。基于特征的车道线检测算法通常经过特征提取、图像预处理、曲线拟合的步骤。图像预处理涵盖颜色空间转换和、图像去噪增强、选取感兴趣区域ROI。就算是基于特征提取的车道线检测算法简单,而且算法实时性较好,它还易于实现,然而在光照变化和车道线遮挡的情况下,这个车道线检测算法易失效。
总结一下,在传统车道线检测方法中,要人工对道路场景中车道线特征来进行提取、建立固定的车道线模型,此车道线检测方法的干扰因素是受光照不足、强光、遮挡、类似纹理、道路场景变化,而且此算法鲁棒性欠佳。以此同时,大多数传统车道线检测方法只可以检测可预知、固定数量或主车道的左右车道线,没有办法达到在动态场景多目标跟踪任务中分辨目标车辆所在车道位置关系的需求。
关于基于深度学习的车道线检测算法,它在处理图片数据和卷积神经网络有出色的特征提取能力、分类能力,那么大量应用在计算机视觉任务。采用CNN进行车道线检测的时候,一般把车道线检测看作是语义分割或分类问题,经过卷积层能够学习到各车道线特征的表达,规避手动调节特征算子提取车道线特征的约束。然而车道线检测和普通的语义分割是不一样,因为车道线具有独特的颜色和特殊的形状,那么需要考虑将这些车道线特有的属性考虑到神经网络中,最终达到提高车道线检测的精度,这才是规避技术凛冬的方法。通常从设计新的卷积神经网络结构、利用车道线场景先验信息来改进车道线检测先进网络结构。
其中语义分割经过采用多分类方法区分各个实例,因为这种多分类的车道线检测方法只可以对固定数量的实例进行分类,那么只可以应用在固定车道线数量的驾驶场景中。与此同时,语义分割输出的结果和输入图像大小是一致的,那么对只有少数车道线的图片来讲会导致额外的计算量。虽然堆叠多层卷积操作可提高特征提取能力,然而未充分考虑图像中学习形状对象有关行和列之间的空间位置关系。
车辆在夜间行驶的时候,不充分的光照会导致车道线图像颜色失真。在雨天的时候,潮湿的路面导致光反射让车道线在图像上出现扭曲变形。
驾驶决策过程要获取车道可行驶区域,但是不一样的道路环境中可行驶区域是不一致的,经过在训练集中添加道路属性标签,比如把道路划分为高速、城市、住宅区,但是采用添加先验信息的数据来训练神经网络,最终把道路可行驶区域划分和障碍物检测的任务在一个端到端的神经网络中一起实现,下图中是经过编码器之后分为:第一个分支是用来从像素级别分割车道线,第二个是经过道路分类网络输出道路类别。
关于基于视觉的目标检测和跟踪研究现状,首先目标跟踪要在连续时间序列的视频中逐帧获得目标的空间位置,再在不一样帧中将属于同一个目标的位置关联在一起。那么多目标跟踪是一个跨空间与时间维度的复杂挑战。
关于基于视觉的三维车辆检测研究现状,二维车辆检测只可以判断被检测物体在二维图像坐标系中的像素信息和类别信息。智能驾驶场景中的目标车辆具备三维信息,绝大部分情况下要知道目标车辆的空间距离、长宽高、横摆角的信息,比如车辆前方检测到停止的车辆,那么这个汽车要及时刹车甚至换道行驶,刹车甚至换道行驶的前提是要了解自己车和目标车间的距离信息。车辆的三维检测针对智能驾驶路径规划、控制起着关键的作用。因为基于图像的车辆三维检测要一起估计每个目标的位姿和位置信息,
那么车辆三维检测相比二维检测是充满挑战性的活。基于视觉的车辆三维目标检测能够按照使用的相机数量划分为:单目视觉目标车辆检测、双目视觉目标车辆检测算法。
关于基于视觉的目标跟踪研究现状,它是经过分析视频以识别和跟踪属于同个或多个类别的对象。视觉目标跟踪能够分为传统视觉目标跟踪、基于深度学习的目标跟踪方法。
传统的视觉目标跟踪算法的关键是数据关联。这个关键是在目标检测结果的前提下,经过优化方法将目标检测结果慢慢明确目标身份的过程。联合概率数据关联和多假设跟踪是传统视觉目标跟踪中常用的数据关联算法。联合概率数据关联算法在跟踪目标数目较多时,会出现组合爆炸的挑战,使得算法失效,那么在使用联合概率数据关联算法进行数据关联的时候要预先设定目标跟踪的数量。这就会对交通场景中目标车辆数目动态变化情况是不正常的。多假设跟踪算法通过一个有限长度的时间滑窗,建立多个候选假设,经过假设评估和管理的方法来实现多目标跟踪。多假设跟踪算法在进行多目标跟踪过程中尝试求解数据关联的最优解,让它在目标数量较多的场景中计算量较大。
这些现状研究下的挑战才是技术凛冬原因
经过对智能驾驶环境感知任务中目标检测和跟踪、车道线检测、车辆轨迹预测的分析,当下自耦当驾驶针对环境感知的研究虽然取得一定研究成果,但还会存在很多挑战。
在基于实例分割的车道线检测模型中,由于环境适应性较差和检测精度较低的挑战还没有得到系统解决。那么智能车辆在道路行驶中,光照强度及交通场景中的树木、车辆、建筑物等导致图片颜色、亮度、风格信息的变化还有车道线在图片上呈现长而窄和不连续的特点,这些都会让固定大小的卷积核进行车道线特征提取时无法较好的提取车道线特征。那么如何使车道线检测模型更好的适应图像外观变化,还有如何设计适合提取车道线在图像上的分布特征的卷积核,这两点是提高车道线检测精度的关键点,也是自动驾驶的技术凛冬原因。