研究目的
研究利用一种激光雷达传感器获取的测距图像的标注数据,来训练另一种激光雷达传感器测距图像目标检测神经网络的策略,并提出一种适用于自动驾驶汽车的测距图像目标检测高效模型。
研究成果
该论文证明,一种激光雷达传感器采集的标注数据可用于训练神经网络,以实现对另一种传感器类型的目标检测。所提出的模型能实时检测目标,不过与KITTI基准测试中排名靠前的检测器相比仍存在性能差距。结合更复杂的非极大值抑制策略可进一步缩小这一差距。
研究不足
对于较远距离的物体,检测性能会显著下降,且车辆侧面的近距离物体也无法可靠检测。训练数据集对某些物体类别的偏向性以及有限的传感器类型可能会影响泛化能力。
1:实验设计与方法选择:
该方法涉及使用高分辨率传感器的数据来训练一个神经网络,用于低分辨率激光雷达传感器的距离图像中的目标检测。该网络设计为能够高效地进行实时处理。
2:样本选择与数据来源:
训练使用的是用Velodyne HDL-64E传感器记录的KITTI数据集。验证使用的是安装在研究车辆上的Velodyne VLP-32传感器的数据。
3:实验设备与材料清单:
Velodyne HDL-64E和VLP-32激光雷达传感器,用于处理的Nvidia GeForce 1080Ti GPU。
4:实验步骤与操作流程:
修改训练数据以模拟来自低分辨率传感器的数据。该网络处理距离图像以预测目标参数。
5:数据分析方法:
使用KITTI评估代码中的精确率-召回率曲线和平均精度值来评估性能。对于研究车辆数据,计算检测率和均方根误差。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容