目标检测与车道线识别是自动驾驶感知系统的两项必要任务,是车辆理解外界的基础,检测性能的好坏还直接影响到定位精度等。本文结合大量实验及经典模型和算法,搭建了基于深度学习的目标检测和车道线检测模型,验证深度学习感知算法的工程化可行性。首先,本文目标检测模型的正向网络部分介绍了本文目标检测模型的算法原理,包括正向预测过程与训练优化过程。模型正向网络部分在经典的Res Net50基础上结合了空洞卷积模块,并固定了特征图尺寸,结合PAN结构进行多尺度上的特征融合。训练部分采用focal loss聚焦于难训练样本的学习,并结合标签平滑技术增加模型泛化能力,位置回归分支采用CIo U损失,同时考虑边框的位置、大小、形状的影响。最后在个人计算机上对所选模型进行实验仿真,在PASCAL VOC数据集上进行模型的训练与调优。在实验过程中考虑了数据增强、先验框数量、特征提取网络以及损失函数等对模型整体的影响。测试集上的精度m AP为77%优于传统的Faster RCNN与SSD,对城市道路目标、儿童以及重叠目标的检测效果都较为优秀。其次,车道线检测模型的主干特征提取网络采用非常轻量化的efficient Det b0网络,在其中增加SCNN结构对上下文语义信息进行融合,更有效地对车道线这种细长目标的检测。检测部分采用全连接网络直接回归拟合线系数以及预测置信度。损失函数综合考虑了多项式系数回归损失,区间位置回归损失以及置信度的分类损失。模型在Tusimple数据集上进行训练与调优。在实验过程中考虑了数据增强、特征提取网络以及多项式阶数等对模型整体的影响。测试集上的检测精度为93.77%,相比于Lane Net等优秀模型,预测精度有所下降,但是其预测速度达到了35～37帧/秒,提升巨大。最后定性地展示了模型在雨雪等恶劣天气条件下的检测结果。最后,基于本文算法研究成果,目前已在广汽传祺GM8平台进行算法试验研究和工程化验证。考虑到中国道路场景的复杂性,目标检测和车道线检测算法在实际道路上的错检/误检次数应分别不高于每万公里三次,且经过感知融合等技术手段进一步提升,以获取高精度、高可靠的环境感知结果,才能在实车进行工程化实施,以最大程度确保车道线以及目标的感知可靠性。下一阶段,将继续研究基于深度学习与传统算法的感知融合技术,加快算法的工程化应用。