一个基于双结构的多任务网络,用于自动驾驶的感知
Guopeng Tan1, Chao Wang1,2, Zhihua Li1,2
1School of Information & Electrical Engineering, Hebei University of Engineering, Handan 056038, China.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
本研究提出了一种有效的多任务学习模型,用于自动驾驶感知,在车辆检测和细分方面实现高精度. 这是它它它它.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 自主系统 自主系统
背景情况:
- 自动驾驶系统需要多个感知任务,如车辆检测,可驾驶区域细分和车道线路细分.
- 嵌入式系统中有限的计算资源对复杂的感知任务构成挑战.
研究的目的:
- 开发一个高效的,端到端的多任务学习模型,用于自动驾驶感知.
- 为了解决嵌入式设备的计算限制,同时保持高精度.
主要方法:
- 引入了一种新的特征提取模块 (C2SPD),用于可靠的特征提取网络.
- 提出了一种双架构来处理特定任务的差异.
- 针对个别感知任务进行优化解码器设计.
主要成果:
- 在BDD100K数据集上取得了强的表现.
- 在车辆检测方面表现出卓越的准确性 (Acc),在可驾驶区域细分方面表现出卓越的精度 (mIoU).
- 首个在嵌入式设备 (Atlas 200I A2) 上实时同时处理三个视觉感知任务的系统,准确度很高.
结论:
- 拟议的多任务学习模型为嵌入式系统上的自动驾驶感知提供了高效和准确的解决方案.
- 新的架构和组件可以实时处理多个关键的视觉任务,推进自动驾驶汽车的嵌入式AI领域.


