用于实时自动驾驶的车道检测与路径预测端到端深度学习
计算机视觉与模式识别
2021-12-10 v2 人工智能
机器学习
机器人学
摘要
受语义图像分割 UNet 架构的启发，我们提出了一种使用深度可分离卷积的轻量级 UNet（DSUNet），用于自动驾驶中车道检测与路径预测（PP）的端到端学习。我们还设计并将一种 PP 算法与卷积神经网络（CNN）集成，形成仿真模型（CNN-PP），该模型可用于在以实时自主方式与其他智能体一同行驶的主智能体车辆中，定性、定量和动态地评估 CNN 的性能。DSUNet 的模型大小比 UNet 轻 5.16 倍，推理速度快 1.61 倍。DSUNet-PP 在动态仿真中路径规划的预测曲率和横向偏移的平均误差上优于 UNet-PP。DSUNet-PP 在横向误差上优于修改后的 UNet，后者在真实道路上的真实车辆中进行了测试。这些结果表明 DSUNet 对于自动驾驶中的车道检测和路径预测是高效且有效的。
引用
@article{arxiv.2102.04738,
title = {End-to-End Deep Learning of Lane Detection and Path Prediction for Real-Time Autonomous Driving},
author = {Der-Hau Lee and Jinn-Liang Liu},
journal= {arXiv preprint arXiv:2102.04738},
year = {2021}
}
备注
6 pages, 4 figures