未來十年，自動(dòng)駕駛將徹底改變?nèi)藗兊某鲂蟹绞健?/p>

　　目前，自動(dòng)駕駛應(yīng)用程序目前正在測(cè)試各種案例，包括客車、機(jī)器人出租車自、動(dòng)商業(yè)運(yùn)輸卡車、智能叉車以及用于農(nóng)業(yè)的自動(dòng)拖拉機(jī)。自動(dòng)駕駛需要計(jì)算機(jī)視覺感知模塊來識(shí)別和導(dǎo)航環(huán)境。此感知模塊的作用是：

　　車道檢測(cè)

　　檢測(cè)環(huán)境中的其他物體：車輛，行人，動(dòng)物

　　跟蹤檢測(cè)到的對(duì)象

　　預(yù)測(cè)他們可能的運(yùn)動(dòng)

　　一個(gè)好的感知系統(tǒng)應(yīng)該能夠在各種駕駛條件下（白天/晚上、夏天/冬天、下雨/下雪等）實(shí)時(shí)完成這項(xiàng)工作。

在本文中，我們將探究一個(gè)實(shí)時(shí)模型，用于檢測(cè)車道、其他車輛等以及生成警報(bào)。

　　訓(xùn)練實(shí)時(shí)車道檢測(cè)

　　車道檢測(cè)問題通常被構(gòu)造為語(yǔ)義或?qū)嵗指顔栴}，目的是識(shí)別屬于車道類別的像素。

　　TUSimple 是用于車道檢測(cè)任務(wù)的常用數(shù)據(jù)集，這個(gè)數(shù)據(jù)集有 3626 個(gè)道路場(chǎng)景的注釋視頻剪輯，每個(gè)剪輯有 20 幀，數(shù)據(jù)都是從安裝在汽車上的攝像機(jī)所捕獲的。

　　下面分享一個(gè)示例圖像及其注釋。

在此數(shù)據(jù)集中，我們可以訓(xùn)練語(yǔ)義分割模型用于分割出屬于車道類別的像素。U-Net 模型是一個(gè)理想的模型，因?yàn)樗蔷哂袑?shí)時(shí)推理速度的輕量級(jí)模型。U-Net 是一種編碼器-解碼器模型，具有跳過連接編碼器和解碼器塊。模型架構(gòu)如下所示：

　　但是，損失函數(shù)應(yīng)修改為骰子損失系數(shù)。

　　車道線分割問題是一個(gè)極不平衡的數(shù)據(jù)問題，圖像中的大多數(shù)像素都屬于背景類。Dice Loss 基于 Sorenson-Dice 系數(shù)，它對(duì)假陽(yáng)性和假陰性具有相似的重要性，這使它在數(shù)據(jù)不平衡問題的處理上表現(xiàn)更好。

　　你可以在他們的論文中閱讀有關(guān) Dice Loss 的更多信息。Dice Loss 嘗試匹配地面真實(shí)情況和預(yù)測(cè)模型中的車道像素，并能夠獲得清晰的邊界預(yù)測(cè)。個(gè)人非常喜歡這個(gè)關(guān)于使用骰子進(jìn)行邊界預(yù)測(cè)的博客。

　　LaneNet 模型

　　對(duì)于本文，我使用 LaneNet 模型生成車道線。

　　LaneNet 模型是兩階段車道線預(yù)測(cè)器。第一階段是編碼器-解碼器模型，以創(chuàng)建車道線分割掩碼。第二階段是車道定位網(wǎng)絡(luò)，該車道網(wǎng)絡(luò)將從掩碼中提取的車道點(diǎn)作為輸入，并使用 LSTM 學(xué)習(xí)預(yù)測(cè)車道點(diǎn)的二次函數(shù)。

　　下圖顯示了操作的兩個(gè)階段。左圖是原始圖像，中間圖像是第 1 階段車道注釋的輸出，右圖是第 2 階段的最終輸出。

我使用了這個(gè) repo 中的 LaneNet 模型實(shí)現(xiàn)。代碼維護(hù)良好，運(yùn)行無錯(cuò)誤。

　　生成智能警報(bào)器

　　我將車道的預(yù)測(cè)與對(duì)象檢測(cè)相結(jié)合，以生成智能警報(bào)。這些智能警報(bào)可以：

　　檢測(cè)車輛的自我車道中是否存在其他車輛并測(cè)量與它們的距離

　　檢測(cè)相鄰車道中的車輛

　　識(shí)別彎曲道路的轉(zhuǎn)彎半徑

　　在這里，我使用 YOLO v5 來檢測(cè)道路上的汽車和人。

　　YOLO v5 在檢測(cè)道路上的其他車輛方面表現(xiàn)出色，而且推斷時(shí)間也非常快。接下來，我們使用 YOLO v5 來測(cè)量我方車輛與前面最近的車輛之間的距離。模型返回以像素為單位的距離，可以根據(jù)相機(jī)參數(shù)將其轉(zhuǎn)換為米。

　　由于 TUSimple 數(shù)據(jù)集的相機(jī)參數(shù)未知，因此我根據(jù)車道的標(biāo)準(zhǔn)寬度估算了像素到米的轉(zhuǎn)換。

我們同樣可以計(jì)算車道的曲率半徑，并將其用于汽車的轉(zhuǎn)向模塊。

　　結(jié)論

　　在本文中，我們探討了針對(duì)自動(dòng)駕駛中如何準(zhǔn)確而快速地檢測(cè)車道線的問題。然后，我們使用 YOLO v5 建立對(duì)道路上其他對(duì)象的識(shí)別，用于生成智能警報(bào)。

　　在深度學(xué)習(xí)分析中，我們非常熱衷于使用機(jī)器學(xué)習(xí)解決現(xiàn)實(shí)世界中的問題。我們已經(jīng)幫助許多企業(yè)部署了基于 AI 的創(chuàng)新解決方案。