视觉导航是当前深度学习研究的热门领域。环境感知作为视觉导航中最重要的模块之一,包括目标检测、车道线检测、可行驶区域分割等,是一项极具挑战性并具有深远意义的任务。传统的深度学习算法通常只解决环境感知中的一个检测任务,无法满足视觉导航同时感知多种环境因素的需求,因此多任务学习引起了研究人员的广泛关注。深度学习是以数据驱动的,然而数据标注的过程极为繁琐,在多任务学习中该问题更加凸显。半监督学习可有效利用大量未标注图片的特征,丰富训练数据集并提高模型检测效果,简化了数据标注的过程。本文围绕视觉导航中多任务学习和半监督学习开展相关研究,主要工作和成果如下:1.针对视觉导航中现有多任务环境感知方法精度不高的问题,本文提出了一种基于YOLOv5的多任务环境感知算法,能够同时完成目标检测、车道线检测和可行驶区域分割任务。本算法编码部分以CSPDarknet作为骨干网络,通过多个池化层级联的方式,加快空间金字塔池化的速度。目标检测的检测头采用自上而下的多尺度结构,车道线检测和可行驶区域分割的检测头采用实时语义分割网络ENet。本文为语义分割任务设计了单独的特征金字塔结构,提高了车道线检测准确率,损失函数引入了鲁棒性更强的α-IoU计算目标检测的损失。实验表明,在BDD100K数据集和科大西区自制数据集上,本文所提多任务环境感知算法在精度和速度上都优于现有的其他多任务网络。2.针对多任务学习中图像标注繁琐的问题,本文提出了一种基于伪标签的多任务半监督学习方法。首先,本文对半监督训练方法STAC增加了伪标签更新的策略,在训练过程中,教师模型和学生模型不断迭代,根据未标注图片的推理结果对伪标签进行更新。其次,本文结合一致性学习方法,采用两个同结构但不同初始化的网络,进行交叉监督训练,引入一致性交叉损失计算损失函数,提高了未标注图片的标签稳定性。实验表明,本文所提基于伪标签的多任务半监督学习方法优于监督训练方法和半监督训练方法STAC。3.为了验证本文所提算法在视觉导航中的有效性,本文在科大西区搭建了校园无人车实验平台。实验表明,本文所提算法在校园视觉导航平台中对直线行驶纠偏和路口转向行驶起到了重要作用,满足了实际的工程需求。