论文部分内容阅读
随着物质生活的极大提升,车辆的普及率迅猛增加,传统地面交通形式逐渐不能满足人民的出行需求。汽车自动驾驶技术作为解决交通安全与效率问题的一种重要手段,成为许多机构的研究热点。汽车自动驾驶技术旨在使汽车在不需要人类干预下,便能自动完成对环境的感知与本车运动的规划和控制。车辆检测与跟踪是汽车自动驾驶技术的重要组成部分,其在车辆辅助驾驶、危险报警和主动安全等方面有着很好的应用前景。由于在车辆检测与跟踪所属的环境感知领域对准确性、鲁棒性和实时性有较高的要求,而异构计算平台有着能够依据不同计算资源的计算特性分配工作负载,进行并行计算过程的加速和运行环境的优化的优点,因此异构计算平台可以在满足实时性要求的前提下,实现高复杂度的车辆检测与跟踪方案。基于此,本文分析总结了目标场景对应的图像特征和分类方法,结合主流的异构计算平台计算特性,实现了多种方案并在多种数据集对比分析,并完成实际部署。完成主要工作如下:1)针对实车前向车辆检测与跟踪场景中涉及到的数字图像技术,讨论了多种实际工况中被检测目标的数字图像特征及其基本原理,通过对比实验确定了模型使用的特征。2)对实验中使用的支持向量机和深度神经网络模型的数学原理进行理论推导与分析,进而在这两类不同模型的基础上,分析讨论了目标检测与跟踪方法。3)结合前文的模型和实验中涉及的深度学习框架TensorFlow,介绍了本文实验中用于训练模型的异构计算平台、集成技术CUDA、加速库cuDNN,以及训练后的模型优化,并介绍了本文利用推理引擎TensorRT构建推理引擎与反序列化部署到不同平台的工作流程。4)介绍了本文采用的国内场景的自采集数据集和国外场景的公开数据集KITTI、GTI,在两种异构计算平台实现并部署了SVM、YOLO、YOLOv2、SSD和Faster RCNN模型,并通过对比实验围绕车载单目摄像头方案的车辆检测与跟踪算法的准确性、鲁棒性和实时性三个个方面展开分析和研究。最终确定出高效的目标检测的方案YOLOv2 FP16。并在实车Jetson Xaiver平台部署该方案,其结果融合毫米波雷达信息后,为实车的前向碰撞预警系统、自适应巡航控制系统、车道保持辅助系统和主动变道系统提供了前方车辆的数目和位置信息,现已投入使用。