YRNet:一种基于混合神经网络的多目标车辆检测方法

随着汽车保有量屡创新高,为提高道路交通安全水平,以目标车辆检测为核心,设计了一种用于多目标车辆检测的融合神经网络。为解决多尺度车辆难以检测、计算量大的问题,在Yolov5基础上将Backbone部分采用的CSP-DarkNet替换成了CSP-ResNext,搭建了新的融合网络YRNet;针对训练与推理过程中Batch Norm方法随batchsize变化效果极其不稳定的问题,改进了Group Norm方法;针对更好的性能,在计算量未显著增加的前提下将LeakyReLU激活函数换成了Mish激活函数。最后在自己制作的数据集上进行实验,并且通过TensorRT模型加速部署到实际应用中,平均检测精度达到了95.8%,速度达到了66FPS,能很好地满足实际应用需要。     

一种基于可行驶区域的自动驾驶避撞方法研究

在自动驾驶技术普及的过程中,车辆与道路行人之间的避撞方法一直是人们关注的热点话题。本文将行人运动的不确定性、运动车辆对行人运动的影响等因素与熵的概念相结合,提出一种基于可行驶区域的自动驾驶避撞方法,以自定义的车辆可行驶区域与对应空间熵的计算为基础,再应用于车辆与行人之间的碰撞预测。首先,利用车辆自身传感器获取的信息数据,采用速度与路径规划叠加的方法来生成车辆备选的轨迹路线;其次,基于社会力模型与马尔可夫模型对行人位置进行预测,得到行人位置概率;最后,根据目标优化算法得到车辆行驶的最优轨迹,实现避撞。仿真实验表明,本文提出的基于可行驶区域的自动驾驶避撞方法在不同的行车工况下可以有效地与行人进行安全避撞交互,对于推动自动驾驶的发展、保障道路行人安全具有重要意义。