查看示例 My title page contents

路测感知的方法有哪些?

2021-02-06 14:13:04 administrator 52

路侧感知方法在技术理论上与车载感知方法是相通的,主要借助视觉传感器、毫米波雷达和激光雷达等多种传感器,充分运用标定理论、深度学习相关目标检测、识别、分割等神经网络模型,以及多传感器融合理论等基本理论方法实现对目标的检测、跟踪、定位等。但是在具体的应用实现过程中又有所区别。

首先,对于传感器标定方面。传感器的标定作用是实现对目标的定位,车载感知侧重相对定位,而路侧感知侧重绝对定位。车载感知传感器标定,是进行各传感器之间相对坐标系之间的标定,它在车上被安装固定后,可以选择或搭建合适的场地进行标定。

而路侧传感器标定主要是建立各传感器与地球坐标系的标定,实现对感知目标的绝对定位,因此它只能在被安装的道路上进行标定,相对来说道路环境更复杂,干扰较多,标定更复杂一些,需加入一些特殊的方法进行辅助标定。

比如已开通的高速路段,车辆行车速度很快,也不方便进行整段封路,标定需要的标志物不能放置在道路上,需要考虑利用正常行驶的车辆进行标定。

第二,对于训练数据样本方面。深度学习的神经网络模型的最基本需求是数据,所以由于前文提到的感知视角的不同,导致数据不通用,对数据标注与模型设计训练等工作带来不一样的要求。

由于路侧传感器捕捉的目标具有更丰富的外观、尺度变化等特征,而车载感知的样本数据不能满足路侧感知所需要数据的多样化需求,因此路侧数据需重新采集,同时带来了很大的标注工作。

而且对神经网络的设计与训练带来了更大的挑战,如网络设计的时候需要考虑目标变化的尺度以及目标部分存在的泛化能力等。另外,路侧端相对车载端来说可以提供更高的算力,可以选择的网络模型更多,例如更复杂的网络模型。

第三,对于感知算法方面。路侧感知与车载感知的感知区域背景不同,导致某些算法不同。

车载传感器的感知区域背景是动态的,而路侧传感器安装在道路杆件上,相对道路是静止的,其感知区域是固定的,感知区域背景在一段时间之内变化不大,因此可以加入一些利用静态背景的算法去提高感知精度,如背景建模、区域分割等。

另外,路侧激光雷达因感知区域固定,可以建立更加准确的滤地模型,这在坡度起伏的路段相比车载激光雷达感知精度更高。

第四,对于感知目标的跟踪方面。由于路侧传感器与车载传感器视角不同,导致获取的数据不一样,路侧感知目标的尺度变化更大,外观特征多样等,对数据样本的多样性要求更高,需要大量的数据,需针对性的对多目标跟踪设计网络与训练模型。其次对于某些特定的场景路侧感知对跟踪有较高的要求,需要长时间跟踪的目标数量比较多,种类也比较多,有乘用车、卡车、货车/公交车、摩托车、行人、自行车等动态目标。

比如城市交叉路口场景,由于涉及到的目标数量多、种类多,且存在较多的目标间遮挡,场景比较复杂,长时间的多目标跟踪对算法提出了较高的要求。

第五,对于多传感器融合方面。车载传感器的融合主要针对同一方向上的数据融合,而路侧传感器根据部署点位的不同,会有不同方向上的数据融合。比如在城市路口,路侧传感器感知方向有同向的、对向的,甚至是斜向的、垂直的,待融合的数据复杂度更高,算法要求也更高。同时也会有一些特殊融合需求,如网联车的融合等。

星志交通


首页
产品
新闻
联系