AurigaNet: 面向增强城市驾驶感知的实时多任务网络
计算机视觉与模式识别
2026-02-12 v1
摘要
自动驾驶汽车具有显著的潜力，用于减少交通事故、缓解拥堵并提升城市交通效率。然而，为自动驾驶车辆开发可靠的 AI 系统仍是重大挑战。过去十年，多任务学习已成为解决驾驶感知中复杂问题的强大方法。多任务网络具有诸多优势，包括提高计算效率、实现实时处理、优化资源利用以及改进泛化能力。本文提出 AurigaNet，这是一种面向推动自动驾驶感知边界的先进多任务网络架构。AurigaNet 集成了三个关键任务: 对象检测、车道线检测和可驾驶区域实例分割。该系统使用以数据集多样性著称的 BDD100K 数据集进行训练和评估。AurigaNet 的关键创新包括其端到端实例分割能力，显著提高了自动驾驶车辆路径估计的准确性和效率。实验结果表明，AurigaNet 在可驾驶区域分割中实现了 85.2% 的 IoU，超过最近的竞争者 0.7%。在车道检测方面，AurigaNet 实现了惊人的 60.8% IoU，超越其他模型 30% 以上。此外，网络在交通物体检测中实现了 47.6% 的 [email protected]:0.95，超过下一位领先模型 2.9%。此外，我们通过在如 Jetson Orin NX 等嵌入式设备上部署验证了 AurigaNet 的实际可行性，其中显示出具竞争力的实时性能。这些结果凸显了 AurigaNet 作为自主驾驶感知系统的稳健且高效解决方案的潜力。代码可在 https://github.com/KiaRational/AurigaNet 查看。
引用
@article{arxiv.2602.10660,
title = {AurigaNet: A Real-Time Multi-Task Network for Enhanced Urban Driving Perception},
author = {Kiarash Ghasemzadeh and Sedigheh Dehghani},
journal= {arXiv preprint arXiv:2602.10660},
year = {2026}
}