一种基于分组卷积分层深度神经网络的前车跟随策略
计算机视觉与模式识别
2021-04-30 v4 机器学习
机器人学
摘要
前车跟随任务通过分层深度神经网络(DNN)端到端驾驶模型来实现，以匹配目标行人的方向与速度。该模型使用分类DNN判断行人是否处于相机传感器的视场内。若行人存在，则相机图像流被送入回归DNN，该网络同时调整自动驾驶车辆的转向与油门以与行人保持同步。若行人不可见，车辆采用简单的探索性搜索策略重新获取跟踪目标。分类与回归DNN均采用分组卷积，以提升模型性能并显著减少参数量与计算延迟。模型在智能处理单元(IPU)上训练，以利用其细粒度计算能力来最小化训练时间。结果表明，自动驾驶车辆在转向与油门曲线方面表现出非常稳健的跟踪行为，且所需数据采集极少。借助IPU与分组卷积，训练样本处理吞吐量在分类网络训练上提升约3.5倍，在回归网络训练上提升约7倍。我们制作了车辆跟踪行人的视频记录并发布于网络。本文为SN Computer Science发表文章的预印本，最终认证版本可在线获取：https://doi.org/https://doi.org/10.1007/s42979-021-00572-1。
引用
@article{arxiv.2011.07948,
title = {A Follow-the-Leader Strategy using Hierarchical Deep Neural Networks with Grouped Convolutions},
author = {Jose Solomon and Francois Charette},
journal= {arXiv preprint arXiv:2011.07948},
year = {2021}
}
备注
11 pages, 7 figures, 3 tables