面向自动驾驶车辆的 LaneSegNet 实时车道拓扑预测优化
计算机视觉与模式识别
2024-08-01 v2 人工智能
机器学习
摘要
随着自动驾驶车辆的普及，实时准确评估计算机视觉算法对道路特征的预测已至关重要。本研究探索了 LaneSegNet 架构，这是一种将拓扑信息与车道线数据集成，以提供更加上下文化的道路环境理解的新方法。LaneSegNet 架构包括特征提取器、车道编码器、车道解码器和预测头，利用来自ResNet-50、BEVFormer以及各种注意力机制的组件。我们通过特征提取器修改和变换器编码器-解码器堆栈修改，对LaneSegNet 架构进行了优化。我们发现，修改编码器和解码器堆栈在训练时间和预测精度之间提供了有趣的权衡，某些组合显示出有前景的性能。我们的实现在单张NVIDIA Tesla A100 GPU 上训练，发现2:4 比例可将训练时间缩短22.3%，仅降低平均精度（mAP）7.1%；而4:8 比例仅增加11.1%的训练时间，但显著提高了平均精度达23.7%。这些结果表明，战略性的超参数调优可以在用户可用资源的情况下获得显著的性能提升。本研究为根据可用计算资源优化LaneSegNet 提供了宝贵的见解，使其对资源有限的用户更加可访问，同时提高了资源丰富用户的能力。
关键词
引用
@article{arxiv.2406.15946,
title = {Optimizing LaneSegNet for Real-Time Lane Topology Prediction in Autonomous Vehicles},
author = {William Stevens and Vishal Urs and Karthik Selvaraj and Gabriel Torres and Gaurish Lakhanpal},
journal= {arXiv preprint arXiv:2406.15946},
year = {2024}
}
备注
18 pages, 16 figures