基于驾驶模拟器图像的视角不变车辆速度检测研究

与其他技术（如感应线圈、雷达或激光）相比，使用相机进行车辆速度测量更具成本效益。然而，由于相机提供准确距离估计的固有局限性，精确的速度测量仍然是一个挑战。此外，经典的基于视觉的方法对相机与道路之间的外参标定非常敏感。在此背景下，使用数据驱动方法似乎是一种有趣的替代方案。然而，数据收集需要复杂且昂贵的设置，以从相机在真实交通条件下记录视频，并与高精度速度传感器同步以生成真实速度值。最近已证明，使用驾驶模拟器（例如 CARLA）可作为生成大型合成数据集的稳健替代方案，从而能够将深度学习技术应用于单相机车辆速度估计。在本文中，我们使用位于不同虚拟位置且具有不同外参的多个相机研究同一问题。我们探讨复杂的 3D-CNN 架构是否能够利用单一模型隐式学习视角不变的速度，还是特定视角的模型更为合适。结果非常有前景，因为它们表明具有多视角数据的单一模型甚至比相机特定模型报告更好的精度，为构建视角不变的车辆速度测量系统铺平了道路。