Resumen

La detección de vehículos es una de las tareas de percepción del entorno más importantes para los vehículos autónomos. Los métodos tradicionales de detección de vehículos basados en la visión no son lo suficientemente precisos, especialmente en el caso de objetivos pequeños y ocluidos, mientras que los métodos basados en la detección y el alcance de la luz (lidar) son buenos en la detección de obstáculos, pero consumen mucho tiempo y tienen una tasa de clasificación baja para diferentes tipos de objetivos. Centrándose en estas deficiencias para aprovechar al máximo las ventajas de la información de profundidad del lidar y la capacidad de clasificación de obstáculos de la visión, este trabajo propone un algoritmo de detección de vehículos en tiempo real que fusiona la información de la nube de puntos de visión y del lidar. En primer lugar, los obstáculos se detectan mediante el método de proyección de cuadrícula utilizando la información de la nube de puntos lidar. A continuación, los obstáculos se mapean en la imagen para obtener varias regiones de interés (ROI) separadas. A continuación, las ROI se expanden en función del umbral dinámico y se fusionan para generar la ROI final. Por último, se aplica un método de aprendizaje profundo denominado You Only Look Once (YOLO) a la ROI para detectar vehículos. Los resultados experimentales en el conjunto de datos KITTI demuestran que el algoritmo propuesto tiene una alta precisión de detección y un buen rendimiento en tiempo real. En comparación con el método de detección basado únicamente en el aprendizaje profundo YOLO, la precisión media promedio (mAP) aumenta en un 17%.

• Materias:Biotecnología Sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology sensors Sensor system Sensor technology
• Palabras claves:información de nube de puntos lidar, obstáculos, tareas importantes de percepción del entorno, algoritmo de detección de vehículos en el tiempo, aprendizaje profundo yolo, método de aprendizaje profundo, diferentes tipos de objetivos, método de proyección de cuadrícula, alta precisión de detección, baja tasa de clasificación.
• Keywords:lidar point cloud information, obstacles, important environment perception tasks, time vehicle detection algorithm, yolo deep learning, deep learning method, different target types, grid projection method, high detection accuracy, low classification rate