自动驾驶车辆的实时环境条件分类
计算机视觉与模式识别
2024-05-30 v1
摘要
当前的自动驾驶技术正在地理围栏区域内部署，这些区域具有明确的操作条件，如操作时间、区域、天气条件和道路条件。这样，恶劣天气、湿滑道路或人口密集的市中心等具有挑战性的条件可以被排除。为了解除地理围栏限制并允许自动驾驶功能更动态地可用，车辆需要自主实时进行环境条件评估，以识别系统何时无法安全运行，并要么停止操作，要么要求休息的乘客接管控制。特别是，恶劣天气的挑战是一个根本性的限制，因为传感器性能迅速下降，禁止使用摄像头等传感器来定位和监控道路标志、行人或其他车辆。为了解决这个问题，我们训练了一个深度学习模型来识别室外天气和危险道路条件，从而能够快速应对新情况和环境。我们通过引入一个改进的分类法和标签层次结构用于最先进的恶劣天气数据集，并使用一种新颖的半自动标注流水线重新标注来实现这一点。使用新提出的数据集和层次结构，我们训练了RECNet，一个用于从单个RGB帧对环境条件进行分类的深度学习模型。我们在F1分数上相对基线模型提高了16%，同时保持了20 Hz的实时性能。
引用
@article{arxiv.2405.19305,
title = {Real-Time Environment Condition Classification for Autonomous Vehicles},
author = {Marco Introvigne and Andrea Ramazzina and Stefanie Walz and Dominik Scheuble and Mario Bijelic},
journal= {arXiv preprint arXiv:2405.19305},
year = {2024}
}