Resumen

El seguimiento de vehículos multiobjetivo y la estimación del estado de movimiento son cruciales para controlar el vehículo anfitrión con precisión y evitar colisiones. Sin embargo, los métodos actuales de seguimiento multiobjetivo no son adecuados para tratar los problemas de los vehículos múltiples debido a la complejidad dinámica del entorno de conducción. Los sistemas de percepción del entorno de conducción, como componente indispensable de los vehículos inteligentes, tienen el potencial de resolver este problema desde la perspectiva del procesamiento de imágenes. Así, este estudio propone un novedoso sistema de percepción del entorno de conducción de vehículos inteligentes mediante el uso de métodos de aprendizaje profundo para rastrear vehículos multiobjetivo y estimar sus estados de movimiento. En primer lugar, se diseña e implementa una red neuronal de segmentación panorámica que soporta el entrenamiento de extremo a extremo, que se compone de segmentación semántica y segmentación de instancia. Se establece un modelo de cálculo de profundidad del entorno de conducción añadiendo una rama de estimación de profundidad al módulo de extracción y fusión de características de la red de segmentación panorámica. Estas redes neuronales profundas se entrenan y prueban en el conjunto de datos Mapillary Vistas y en el conjunto de datos Cityscapes, y los resultados muestran que estos métodos funcionan bien con una alta precisión de reconocimiento. A continuación, se utilizan el filtrado de Kalman y el algoritmo húngaro para el seguimiento de vehículos multiobjetivo y la estimación del estado de movimiento. La eficacia de este método se comprobó mediante un experimento de simulación, y los resultados mostraron que la relación relativa (es decir, la velocidad relativa y la distancia) entre varios vehículos se puede estimar con precisión. Los resultados de este estudio pueden contribuir al desarrollo de vehículos inteligentes para alertar a los conductores de posibles peligros, ayudarles a tomar decisiones y mejorar la seguridad del tráfico.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:estimación del estado de movimiento, seguimiento de vehículos multiobjetivo, vehículos inteligentes, métodos actuales de seguimiento multiobjetivo, novedoso sistema de percepción del entorno de conducción, conjunto de datos mapillary vistas, entorno de conducción complejo, métodos de aprendizaje profundo, redes neuronales profundas, modelo de cálculo de profundidad
• Keywords:motion state estimation, multitarget vehicle tracking, intelligent vehicles, current multitarget tracking methods, novel driving environment perception system, mapillary vistas dataset, complex driving environment, deep learning methods, deep neural networks, depth calculation model