车辆感知是自动驾驶的关键,用于确定周围车辆的位姿信息。在视觉感知方案中,基于神经网络的单目视觉车辆感知算法成本最低,但其精度因单目图像深度信息匮乏而偏低。同时,感知算法常用的框定位形式容易为相关校正算法引入错位误差。对此,本文利用Apollo Car3D数据集,研究基于U-Net的单目视觉周围车辆感知算法,以点检测的形式实现车辆的定位,并对其进行位姿感知与校正。首先,研究车辆的位姿映射关系与行车图像的特点。确定用于描述车辆位姿的六自由度。结合相机成像映射原理,设计车辆的位姿映射与可视化算法。分析Apollo Car3D数据集及其行车图像特点,为感知算法具体设计奠定基础。其次,提出基于U-Net的车辆感知算法。结合行车图像特点,设计预处理算法,解决近程车辆的感知问题。由U-Net网络原理,设计车辆感知网络的内部结构、训练过程以及损失函数,利用Efficient Net-b0弥补U-Net的下采样缺陷,利用焦点损失处理车辆平面中心的稀疏问题,通过归一化缓解回归值的尺度差异。仿真结果表明,算法能够定位车辆的平面中心,并给出其位姿粗感知结果。然后,提出车辆感知结果的组合校正算法。建立基于车辆中心浮动规律的先验平面约束条件和基于成像系统先验映射关系的空间约束条件。对约束条件进行组合,并建立最优化问题,由此实现车辆感知结果的组合校正。经验证集测试,组合约束校正能够缓解单约束校正下的校正方向单一问题,使得感知算法在验证集上的空间误差平均值m TD降低42.32%,关于不同误差等级的空间感知精度的平均值md AP提高5.2%,位姿感知精度的平均值m AP提高3.7%。最后,研究车辆感知网络的改进方法。给出行车图像的水平镜像概率增广方案,并结合色彩概率抖动进行网络的数据增强,扩充训练集实例及内容丰富性。利用学习率的阶梯控制以及训练损失的L2正则化进行网络的训练策略优化,改善网络拟合效果,并抑制过拟合现象。给出特征图的位置编码方案,并为网络的卷积结构引入残差边,向感知网络显式引入成像平面的位置坐标,并增强其特征提取能力。在验证集上,改进后算法关于不同误差等级的空间感知精度的平均值md AP提高了4.8%,姿态感知精度的平均值mr AP提高了7.9%,位姿感知精度的平均值m AP提高了3.6%。最终,经测试集测试,改进后算法的感知结果优于其他典型算法的公开表现。此时,算法兼具较好的实时性能,推理速度为41.7帧/秒。