数字孪生以减轻视觉车辆速度检测系统对真实现场数据的依赖

准确的基于视觉的速度估计比传统基于雷达或LiDAR的方法更具成本效益，但也面临由于离轴投影在离散传感器上的局限性以及对校准、光照和天气条件高度敏感的挑战。有趣的是，深度学习方法（在计算机视觉领域占主导地位）在此领域受限于缺乏可用数据。事实上，获取带有每个车辆准确速度值关联的实时路面交通视频序列极其复杂且昂贵，现有数据集数量有限。最近，一些方法关注使用合成数据。然而，模型如何有效应用于真实世界条件仍不明确。本文提出使用CARLA模拟器中的数字孪生技术生成大规模数据集，代表特定真实世界相机。该合成数据集包含车辆类型、颜色、速度、光照和天气条件的大范围变异性。训练在数字孪生上进行，测试于真实序列。与生成多摄像头序列的先前方法不同，我们发现真实条件与虚拟条件之间的差距是获得低速度估计误差的关键因素。即使采用初步方法，平均绝对误差仍保持在3 km/h以下。