基于视觉的碰撞预警系统与深度学习:系统性审查

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 汽车安全 汽车安全

背景情况:

• 先进的驾驶辅助系统 (ADAS) 依赖于及时的碰撞预测,用于警告和紧急机动.
• 只有视觉深度学习的碰撞预警系统提供了多传感器方法的经济有效的替代方案.
• 对基于视觉的系统进行彻底的评估对于其可靠部署至关重要.

研究的目的:

• 系统地审查和分析以自我为中心,基于视觉的碰撞预警系统,利用深度学习.
• 识别深度学习技术,评估数据集,实验方法和报告结果.
• 评估实验评估的充分性,并确定现场的挑战.

主要方法:

• 系统的文献搜索以视觉为基础的深度学习碰撞预警系统.
• 包括31项基于预定义标准的研究.
• 使用PROBAST进行偏差风险评估.
• 对深度学习技术,数据集,实验和结果的审查.

主要成果:

• 确定了两个主要的深度学习方法:直接碰撞概率预测和基于管道的威胁指标计算.
• 大多数经过审查的系统都受到不充分的实验评估的影响,包括缺乏定量实验和有偏见的数据集.
• 适合数据集的稀缺性对稳健的系统评估构成了重大障碍.

结论:

• 虽然深度学习显示了基于视觉的碰撞预警的潜力,但目前的评估实践不足.
• 解决缺乏高质量,公正的数据集的问题对于推动该领域的发展至关重要.
• 未来的研究应该专注于开发标准化的评估协议和全面的数据集.