用于智能城市自动驾驶车辆感知的分析框架
人工智能
2025-10-16 v1
摘要
驾驶环境感知在自动驾驶中占据关键位置，近年来已受到广泛关注。研究社区和相关利益相关方迫切需要开发深度学习（DL）模型和 AI 解决方案以提升自动驾驶车辆（AVs）的智能出行能力。亟需开发一种能够准确感知道路上多个物体并预测驾驶员感知，以控制车辆运动的模型。本文提出一种新型基于效用函数的分析模型，使 AVs 的感知系统能够理解驾驶环境。本文包括以下模块：获取包含独特物体（如摩托车、三轮车等）的自定义数据集；用于物体检测的 DL 模型（YOLOv8s）；以及衡量感知服务效用的模块，其基于训练模型实例的性能值。感知模型基于物体检测任务进行验证，其过程通过 nuScenes 数据集上最先进的深度学习模型的性能指标进行基准测试。实验结果显示，三个表现最佳的 YOLOv8s 实例基于 [email protected] 值，分别为基于 SGD（0.832）、基于 Adam（0.810）和基于 AdamW（0.822）。然而，基于 AdamW 的模型（如汽车：0.921，摩托车：0.899，卡车：0.793 等）仍优于基于 SGD 的模型（如汽车：0.915，摩托车：0.892，卡车：0.781 等），因为其在类别级别的性能值更好，这一结论由本文提出的感知模型所确认。我们验证了所提函数能够为 AVs 找到合适的感知。上述结果鼓励使用所提感知模型来评估学习模型的效用，并为 AVs 确定合适的感知。
引用
@article{arxiv.2510.13230,
title = {An Analytical Framework to Enhance Autonomous Vehicle Perception for Smart Cities},
author = {Jalal Khan and Manzoor Khan and Sherzod Turaev and Sumbal Malik and Hesham El-Sayed and Farman Ullah},
journal= {arXiv preprint arXiv:2510.13230},
year = {2025}
}
备注
32 pages, 14 figures