LaNet：通过从加速度计数据学习路面特征实现实时车道识别
计算机视觉与模式识别
2020-04-07 v1
摘要
GPS测量的分辨率，尤其在城市地区，不足以识别车辆所在车道。本工作中，我们开发了深度LSTM神经网络模型LaNet，通过对车辆实时行驶中采集的加速度计样本进行周期分类来确定车辆所在车道。我们的关键发现是，即便相邻的路面区块也含有足以区分车道的独特特征，即道路天然呈现不同的颠簸、裂缝、坑洞与表面不平整。汽车行驶时可利用廉价、易装的加速度计捕获此路面信息，此类传感器日益成为汽车标配并可经CAN总线访问。我们采集了总计60 km行驶数据并基于此合成更多数据，以涵盖变速、车辆悬架与加速度计噪声等因素。我们构建的基于LSTM的深度学习模型LaNet学习车道特定的路面事件（颠簸、裂缝等）序列，在200米行驶数据下达到100%车道分类准确率，仅用100米（约一分钟行驶）即超90%。我们设计的LaNet模型适用于实时车道分类，并通过大量实验表明，即便在平滑道路、大型多车道道路与频繁变道行驶中，LaNet仍保持高分类准确率。由于不同路面具有不同固有特征或熵，我们剖析神经网络模型并发现一种机制：仅需训练一次模型，即可轻易刻画某道路在不同行驶距离下可实现的分类精度。我们提出LaNet作为一种低成本、易部署且高精度的细粒度车道识别方法。
引用
@article{arxiv.2004.02822,
title = {LaNet: Real-time Lane Identification by Learning Road SurfaceCharacteristics from Accelerometer Data},
author = {Madhumitha Harishankar and Jun Han and Sai Vineeth Kalluru Srinivas and Faisal Alqarni and Shi Su and Shijia Pan and Hae Young Noh and Pei Zhang and Marco Gruteser and Patrick Tague},
journal= {arXiv preprint arXiv:2004.02822},
year = {2020}
}