利用CAN总线数据增强端到端转向角预测
计算机视觉与模式识别
2025-07-16 v2 人工智能
摘要
近年来，自动驾驶车辆的端到端转向预测已成为一个主要的研究领域。实现端到端转向的主要方法是在实时视频流数据上使用计算机视觉模型。然而，为了进一步提高精度，许多公司通过传感器融合添加了激光探测与测距（LiDAR）和/或雷达传感器的数据。但是，激光与传感器的增加带来了高昂的经济成本。在本文中，我通过在不增加LiDAR和/或传感器使用成本的前提下提高计算机视觉模型的精度，来解决这两个问题。我通过将车辆协议CAN总线数据与视频数据进行传感器融合，从而提高了计算机视觉模型的精度。CAN总线数据是有关车辆状态（包括车速、转向角和加速度）的丰富信息源。通过将此数据与视频数据融合，可以提高计算机视觉模型预测的准确性。当我在不使用CAN总线数据训练模型时，得到的RMSE为0.02492，而使用CAN总线数据训练的模型达到了0.01970的RMSE。这一发现表明，将CAN总线数据与视频数据融合可使计算机视觉模型的预测误差降低20%，其中某些模型的误差降低达80%。
引用
@article{arxiv.2310.14162,
title = {Augmenting End-to-End Steering Angle Prediction with CAN Bus Data},
author = {Amit Singh},
journal= {arXiv preprint arXiv:2310.14162},
year = {2025}
}
备注
5 pages