在高速赛车运动中实时视觉异常检测:以透驱动的混合检索和缓存增强架构

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 汽车运动技术 汽车运动技术

背景情况:

• 高速赛车运动需要实时视觉异常检测.
• 高速度 (例如300公里/小时) 的视觉延迟会造成大量未被观察到的旅行距离.
• 边缘计算需要平衡检测灵敏度与低延迟性能.

研究的目的:

• 为高速赛车运动中视觉异常检测提出混合缓存-检索推理架构.
• 为了利用时空冗余来实现高效的处理.
• 为不确定的事件保留计算密集的检索,优化边缘性能.

主要方法:

• 一个层次的视觉编码器与嵌套的U-Net用于纹理分析.
• 一个不确定性驱动的路由器利用信号来管理预测和嵌入不确定性.
• 两个内存路径:用于上下文的静态缓存和用于模两可的的本地相似性检索.

主要成果:

• 平均端到端延迟降低至21.7ms,比仅检索的基线 (48.6ms) 提高了55.3%.
• 在以安全为导向的操作点获得了0.89的宏观F1得分.
• 在高准确度的基准测试上,证明有效的异常检测 (轮胎退化,悬挂声,照明变化).

结论:

• 混合架构有效地平衡了基于边缘的视觉异常检测的延迟和灵敏度.
• 该系统为被动监控提供决策支持,而不干扰车辆控制单元 (ECU).
• 这种方法提高了高速赛车运动环境中的安全和运营意识.