智能网联汽车技术基础 第10章 无人驾驶方程式赛车关键技术.ppt

图为欧式距离算法处理之后的效果图，从图中可以明显看出聚类前后点云只保留了目标锥桶的点云数据，图片中不再出现噪声点。为了尽可能多的得到锥桶簇群，将距离阀值设置为0.56米，激光雷达扫描范围限制在18米。欧式距离聚类算法设计10.2.1基于激光雷达的锥桶检测算法研究通过实验可以发现，激光雷达探测的有效距离约为35m左右，距离稍远处的点云细节信息不足，首先需要对原始点云进行滤波降噪处理，之后进行ROI的提取；对ROI内的点云进行体素化网格算法处理实现点云下采样；利用随机采样一致性算法对下采样之后的点云进行地平面的拟合并过滤掉地面点云数据；利用欧式聚类算法将锥桶点云聚类并提取聚类的中心点。如图所示为算法调试过程中锥桶检测算法处理过程的综合对比图。欧式距离聚类算法设计10.2.1基于激光雷达的锥桶检测算法研究接下来进行实车实验，在校园内空地上摆放锥桶围成的赛道用于模拟真实的赛场环境，运行方程式赛车进行数据采集并以bag数据包的形式进行保存，接着将检测算法部署到方程式赛车的工控机中进行测试。如图所示为程序运行后截取的其中一帧点云数据，其中图（a）激光雷达的原始点云，图（b）为经锥桶检测算法处理后的效果，算法的单帧处理时间约为80ms，且准确率高。欧式距离聚类算法设计10.2.1基于激光雷达的锥桶检测算法研究（a）激光雷达原始点云数据（b）检测算法处理后点云数据大学生无人驾驶方程式比赛中，不同颜色的锥桶会给赛车提供不同的指令。赛道的左侧锥桶统一为红色，右侧统一为蓝色，黄色锥桶代表换向或者启停标志，所以锥桶的准确检测对赛车的后续规划和控制都非常重要。本章主要基于摄像头对坠痛的目标检测进行研究，内容包括对YOLO目标检测网络框架的介绍，锥桶数据集的建立，基于pytorch的训练环境配置，最后对算法进行实验验证。10.2.2基于摄像头的锥桶检测算法研究在YOLO出现之前，基于神经网络的目标检测主要分为两个阶段，第一阶段是通过判别前景和背景从而提取出建议框，第二阶段进行分类和回归，这种方法精度高但实时性较差。所以主要应用于对算法的实时性要求不太高的应用场景下。而单一阶段目标检测YOLO算法，很巧妙地将目标检测问题转化为回归问题，最终直接回归输出的Boundingbox已经包括目标的类和具体位置，虽然检测精度上没有前者高，但实时性较好，所以得到了非常广泛的应用。YOLO目标检测框架在2016年首次提出，当时是YOLOv1版本，至今已经发展到第五个版本YOLOv5。YOLO速度非常快，该框架把检测视为回归问题，所以不需要复杂的流程。YOLO算法主要分为以下几个步骤：将输入的图片填补或者拉伸成相同的大小；将整个图片划分为S×S的网格；将划分网格后的图片放入深度神经网络，进而预测出Boundingbox信息；将预测的边框通过后处理主要是过滤掉低置信度的检测框，通过NMS找出预测效果最好的框，整个过程可以描述如图所示。YOLO网络框架10.2.2基于摄像头的锥桶检测算法研究基础版本的YOLOv1模型可以以45fps的速度实时处理图像，快速版本的YOLOv1可实现155fps的惊人速度并且其mAP为52.7%，YOLOv1会把图像分成49个gridcell并且每个gridcell预测2个boundingbox，所以最多可以预测98个bbox，通过置信度过滤以及非极大值抑制（NMS）筛选处符合条件的目标检测框，达到分类和定位的目的。其网络如图10-25所示，该网络有24个卷积层，后面接了2个全连接层，最后生成了7×7×30大小的张量，由此张量后处理得到最后的目标检测结果。YOLO网络框架10.2.2基于摄像头的锥桶检测算法研究YOLOv1网络架构在YOLOv1基础上改进后的模型YOLOv2模型，其模型可以以不同的尺寸运行。并且YOLOv2提供了一个更精确的检测器，并且速度很快，从而可以使网络更加简单，以提升YOLO的整体性能。YOLOv2网络输入为416×416大小，共有19个卷积层，所以被称为Darknet19，最终输出是13×13，而YOLOv3在v2的基础上基于残差网络思想加入了更多的卷积层，最终达到了53个卷积层，所以被称为Darknet-53。Darknet-53主要由1×1和3×3卷积层组成，并且网络可以很好得避免过拟合，并且可以进行多尺度预测，如图10--26所示为YOLOv3的网络架构。YOLO网络框架10.2.2基于摄像头的锥桶检测算法研究YOLOv3网络架构YOLOv4是在YOLO系列之前版本算法的基础上进化而来，YOLOv4修改了最先进的方法，