通过区域兴趣压缩优化自动驾驶车辆远程驾驶中交通标志与灯光的可见性

自动驾驶车辆是解决交通拥堵、空气污染、事故以及资源浪费的有前景的解决方案。然而，对于极端情况下的远程驾驶，可能需要进行远程驾驶干预以确保安全的路边停车或完全远程接管。在这种情况下，高质量的实时视频流对于实际远程驾驶至关重要。在先前的研究中，我们已提出一种区域兴趣（ROI）HEVC数据压缩方法，将图像分为ROI和背景两类，为ROI分配更多带宽，从而在 transmitting 背景使用较低质量时提高对驱动必需的类的可见性。然而，将带宽迁移到大型ROI部分并不显著提高交通标志和灯光的质量。本文将ROI分为背景、弱ROI和强ROI三类。该 simulation-based 方法使用由Cognata自驾驶车辆仿真平台创建的照片逼真驾驶情景数据库。我们使用语义分割将编码树单元（CTU）的压缩质量按每个像素类进行分类。背景CTU可包含仅天空、树木、植被或建筑物类。远程驾驶的关键类包括道路、路标、汽车和行人。最重要的是交通标志和交通灯。我们对决定CTU是否属于强ROI或弱ROI的像素数量应用阈值。然后根据CTU类别分配带宽。我们的结果表明，与仅进行背景和前景分割相比，交通标志（尤其是文字标志）和交通灯的感知质量提高了最高可达5.5 dB，而弱ROI类至少保持原始质量。