DECADE：面向移动级高级驾驶辅助系统碰撞规避的高效准确距离估计模块设计

智能手机及其他移动设备的普及，为以由低成本机器/深度学习模型驱动的应用程序形式让广大用户受益于高级驾驶辅助系统 (ADAS) 提升道路安全提供了独特机遇。对于移动 ADAS 中的碰撞规避关键功能，虽存在轻量级深度神经网络 (DNN) 用于目标检测，但传统的像素级深度/距离估计 DNN 计算开销巨大，难以在资源受限设备上实现实时应用。本文提出一种距离估计模型 DECADE，其处理每个检测器输出，而非构建像素级深度/视差图。我们提出一种姿态估计 DNN 来估计检测对象的异构坐标系姿态，以补充距离估计 DNN 对距离的预测。我们证明，这些模块可附加于任何检测器，以扩展目标检测功能，实现快速距离估计。在KITTI 3D 目标检测数据集上，对本文提议的模块附加并微调 YOLO 检测器输出进行评估，实现了在 0-150 米距离范围内平均绝对误差 1.38 米、平均相对误差 7.3% 的状态最佳性能。我们的广泛评估方案不仅评估了各类别性能，还特别评估了 0-70 米关键距离范围内的精度。