综合深度学习框架用于在先进的驾驶辅助系统中检测驾驶员分心和实时识别道路物体

科学领域:

• 人工智能的人工智能
• 计算机视觉 计算机视觉
• 汽车安全 汽车安全

背景情况:

• 道路使用者安全是全球关注的问题,驾驶员的分心是事故的主要原因.
• 现有的先进驾驶员辅助系统 (ADAS) 往往缺乏全面整合驾驶员监控和实时环境意识.

研究的目的:

• 开发一个集成系统,用于实时检测驾驶员的分心和道路物体识别.
• 通过提供上下文意识的警告和改善情境意识,增强高级驾驶员辅助系统 (ADAS) 的功能.

主要方法:

• 利用卷积神经网络 (CNN) 和转移学习来分类驾驶员行为 (物理,视觉,认知分心).
• 雇佣YOLO (你只看一次) 实时检测车辆,行人,车道标记和交通信号.
• 集成了一个决策模块,以评估基于联合驾驶员和道路数据的危险水平.

主要成果:

• 在使用CNN和转移学习检测驾驶员分心方面实现了高精度和计算效率.
• 使用YOLO实时表现的性能,用于基本的道路物体识别.
• 通过数据增强和模型优化,在各种条件 (雨,雾,低光) 中验证了系统可靠性.
• 在NVIDIA Jetson Xavier NX平台上实现了25 FPS,表明了资源有限的ADAS的可行性.

结论:

• 综合系统有效地结合了驾驶员监控和道路意识,以提供全面的安全解决方案.
• 开发的系统增强了ADAS的能力,从而减少了事故和提高了驾驶员的安全.
• 在安全关键的汽车应用中实时嵌入式部署的实际可行性.