多传感器融合和细分用于使用深度Q网络的自动驾驶汽车多对象跟踪
1School of Electronics Engineering, Vellore Institute of Technology, Vellore, India.
Scientific reports
|December 29, 2024
概括
本研究介绍了自动驾驶汽车的多传感器融合和细分方法,以改善在恶劣天气条件下对象跟踪. 该系统通过有效处理摄像头和激光雷达数据来提高导航安全,以可靠地检测和规划路径.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
背景情况:
- 自动驾驶汽车面临的导航挑战是由于模糊的标记和传感器限制在恶劣天气.
- 现有的解决方案在现实驾驶条件下缺乏稳定性,造成安全风险.
研究的目的:
- 开发一个强大的多传感器融合和细分系统,用于自动驾驶汽车的多对象跟踪.
- 在各种环境条件下提高自主导航的安全性和可靠性.
主要方法:
- 实施了摄像头和LiDAR数据处理的管道,包括通过改进的自适应扩展卡尔曼波器 (IAEKF) 减少噪音.
- 使用NGT-CLAHE用于对比度增强和IAWMF用于预处理期间的自适应值.
- 采用多分段技术,基于密集网络的图像融合,用于物体检测的YOLO V7,以及用于路径规划的能量谷优化器 (EVO).
主要成果:
- 拟议的系统通过密集的基于网络的融合,证明了提高效率和处理速度.
- 使用YOLO V7实现了有效的对象检测和分类.
- 通过EVO的方法,便于灵活,弹性和可扩展的路径和车道选择.
结论:
- 集成的多传感器融合和细分方法显著提高了自动驾驶汽车的感知和导航能力.
- 该系统为在具有挑战性的环境条件下安全可靠的自动驾驶提供了一个有希望的解决方案.
