融合空间注意力机制的行车障碍预测网络

• 作者: 肖进胜 贺睿 雷俊锋
• 来源期刊: 光学精密工程
• 学科: 交通运输
• 关键词: 障碍预测 单目视觉 深度学习 注意力机制 智能驾驶
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 信息科学
• 页码范围: 1850-1860
• 页数: 11页
• 分类号: TP29|U495
• 语种: 中文
• DOI: 10.3788/OPE.20202808.1850

摘要

针对现有行车障碍预测方法存在目标单一性、预测速度慢和准确性不佳等问题,提出一种融合空间注意力机制的卷积神经网络Coll-Net以及基于Coll-Net的车速控制和障碍方向判定策略.模拟驾驶员通过视觉信息判断障碍的机制,以单目视觉图像作为输入,首先对图像做预处理得到感兴趣区域,然后利用残差块网络提取区域内的空间特征;采用空间注意力机制对特征通道上的原始特征进行重新标定,获得通道权重;再将通道权重归一化后加权到通道对应的空间特征上,以此挑选关键特征,最后送入全连接层和Sigmoid函数中生成预测概率.行车根据障碍预测概率实时确定行车速度并根据多窗口的概率预测值判定障碍方向.实验表明,Coll-Net模型的障碍预测准确率达到96.01％,F1-score达到0.915,模型推理时间仅需24 ms,能够实时检测车辆、行人、护栏、墙体等多种障碍物,并且在低对比度光照环境下仍表现出良好的预测能力,基于Coll-Net的车速控制和障碍方向判定策略在Udacity Self-Driving数据集上表现出强有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	肖进胜		63	525	12.0	20.0
2	雷俊锋		24	85	5.0	8.0
3	贺睿		2	0	0.0	0.0