电动滑板车实时目标检测性能评估

电动滑板车（e-scooter）迅速在城市地区成为一种流行的交通方式，然而它们仍带来显著的安全挑战。在美国，电动滑板车的兴起伴随着相关伤害和死亡人数的不断增加。近期，尽管深度学习目标检测在避免潜在碰撞方面在自动驾驶中具有至关重要的意义，但其在电动滑板车上下文中的应用仍相对未被充分探索。本文通过评估针对电动滑板车设计的前沿目标检测器的有效性和效率来弥补这一差距。为实现此目标，建立了首个涵盖22种最先进YOLO目标检测器（包括五个版本：YOLOv3、YOLOv5、YOLOv6、YOLOv7和YOLOv8）的综合基准测试，用于实时交通目标检测，采用自收集的数据集进行电动滑板车检测。检测准确率（以[email protected]表示）范围从27.4%（YOLOv7-E6E）到86.8%（YOLOv5s）。所有YOLO模型，特别是YOLOv3-tiny，都显示出在电动滑板车上下文中实时目标检测的前景。本研究中用于模型基准测试的交通场景数据集（https://zenodo.org/records/10578641）和软件程序代码（https://github.com/DongChen06/ScooterDet）均公开可用，这不仅能通过先进的目标检测提高电动滑板车的安全性，也为制定针对性解决方案奠定了基础，为更安全更可持续的城市微交通景观铺平了道路。