基于深度学习和多传感器融合的电动滑板车实时道路障碍物检测
计算机视觉与模式识别
2025-04-07 v1 人工智能
机器人学
摘要
电动滑板车在城市地区的采用日益增长，伴随交通事故和受伤人数上升，主要由于其小轮子、缺乏悬架以及对不平坦表面的敏感性。虽然深度学习基于对象检测已广泛用于改进汽车安全，但其用于电动滑板车障碍物检测尚未探索。本研究引入一种新型地面障碍物检测系统，用于电动滑板车，将 RGB 相机和深度相机集成以增强实时道路危险检测。此外，惯性测量单元（IMU）测量线性垂直加速度以识别表面振动，指导选择六类障碍物：树枝、人口灰、坑洞、松果、非定向裂缝和截断圆顶。所有传感器，包括 RGB 相机、深度相机和 IMU，均集成在 Intel RealSense Camera D435i 中。一个由 YOLO 提供动力的深度学习模型用于检测道路危险物并利用深度数据估计障碍物距离。在七小时的自然istic 骑行数据集上进行评估，该系统实现了高达 0.827 的平均精度（mAP），并展现出卓越的实时性能。这一方法为通过先进计算机视觉和数据融合增强电动滑板车安全提供了有效解决方案。数据集可在 https://zenodo.org/records/14583718 获取，项目代码托管于 https://github.com/Zeyang-Zheng/Real-Time-Roadway-Obstacle-Detection-for-Electric-Scooters。
引用
@article{arxiv.2504.03171,
title = {Real-Time Roadway Obstacle Detection for Electric Scooters Using Deep Learning and Multi-Sensor Fusion},
author = {Zeyang Zheng and Arman Hosseini and Dong Chen and Omid Shoghli and Arsalan Heydarian},
journal= {arXiv preprint arXiv:2504.03171},
year = {2025}
}
备注
Accepted at ASCE International Conference on Computing in Civil Engineering (i3ce)