基于注意力神经网络的驾驶环境复杂度感知
机器学习
2021-06-22 v1 计算机视觉与模式识别
机器人学
图像与视频处理
摘要
环境感知对自动驾驶车辆（AV）安全至关重要。现有多数AV感知算法未研究周边环境复杂度，且未纳入环境复杂度参数。本文提出一种新颖的基于注意力的神经网络模型，以预测周边驾驶环境的复杂度等级。所提模型以自然驾驶视频及相应车辆动力学参数作为输入。其由Yolo-v3目标检测算法、热力图生成算法、基于CNN的特征提取器，以及针对视频与时序车辆动力学数据输入的基于注意力的特征提取器构成，以提取特征。所提算法的输出为周边环境复杂度参数。采用Berkeley DeepDrive数据集（BDD Dataset）与主观标注的周边环境复杂度等级进行模型训练与验证以评估该算法。所提基于注意力的网络取得了91.22%的平均分类准确率来分类周边环境复杂度。这证明环境复杂度等级可被准确预测并应用于未来AV的环境感知研究。
引用
@article{arxiv.2106.11277,
title = {Attention-based Neural Network for Driving Environment Complexity Perception},
author = {Ce Zhang and Azim Eskandarian and Xuelai Du},
journal= {arXiv preprint arXiv:2106.11277},
year = {2021}
}
备注
Accepted by 2021 IEEE Intelligent Transportation Systems Conference