自動(dòng)駕駛近年來受到廣泛關(guān)注,國(guó)內(nèi)外眾多的科技公司、汽車企業(yè)、研究機(jī)構(gòu)都在積極研究并試驗(yàn)自動(dòng)駕駛技術(shù)。道路駕駛環(huán)境作為一種開放式環(huán)境,有場(chǎng)景和氣候多變、目標(biāo)種類復(fù)雜、物體數(shù)量多等特點(diǎn)。應(yīng)對(duì)這種環(huán)境,自動(dòng)駕駛系統(tǒng)要求感知模型能夠穩(wěn)定、實(shí)時(shí)地應(yīng)對(duì)任何復(fù)雜情況,并且能夠融合各種感知模型的結(jié)果,進(jìn)行最終決策�；谏疃葘W(xué)習(xí)的視覺感知算法一般使用卷積神經(jīng)網(wǎng)絡(luò),這種方法需要大量的并行運(yùn)算和存儲(chǔ)空間,這就對(duì)車載計(jì)算設(shè)備的并行計(jì)算性能和電源供應(yīng)提出了很高要求,進(jìn)一步限制了深度學(xué)習(xí)方法在自動(dòng)駕駛汽車上的實(shí)際應(yīng)用。本文研究面向高級(jí)自動(dòng)駕駛領(lǐng)域的深度學(xué)習(xí)算法,主要關(guān)注用于視覺感知的卷積神經(jīng)網(wǎng)絡(luò)方法。為了使神經(jīng)網(wǎng)絡(luò)能提供更加穩(wěn)定可靠的結(jié)果,設(shè)計(jì)了一種能自學(xué)習(xí)地降低不確定度的框架,通過引入不確定度學(xué)習(xí)層和不確定度損失項(xiàng),顯著降低自動(dòng)駕駛視覺感知模型在不同環(huán)境下預(yù)測(cè)結(jié)果的不確定度,適合用于自動(dòng)駕駛系統(tǒng)這類場(chǎng)景復(fù)雜多變的智能系統(tǒng)中。為解決卷積神經(jīng)網(wǎng)絡(luò)計(jì)算復(fù)雜度高、難以達(dá)到自動(dòng)駕駛實(shí)時(shí)性要求的缺點(diǎn),設(shè)計(jì)了一種包含多個(gè)輸出旁路的高效卷積神經(jīng)網(wǎng)絡(luò),采用基于信息熵的評(píng)價(jià)指標(biāo)以評(píng)估各旁路的分類置信度,提出了基于交叉熵?fù)p失項(xiàng)難例權(quán)重函數(shù)的難例挖掘策略、平衡系數(shù)可調(diào)節(jié)的自適應(yīng)閾值設(shè)置方法,從而達(dá)到提前分類的目的。本文的主要貢獻(xiàn)有:(1)研究了數(shù)種主流的適用于自動(dòng)駕駛汽車的卷積神經(jīng)網(wǎng)絡(luò)模型;(2)提出了一種自學(xué)習(xí)降低不確定度的神經(jīng)網(wǎng)絡(luò)框架,能夠顯著降低自動(dòng)駕駛這種復(fù)雜任務(wù)中神經(jīng)網(wǎng)絡(luò)模型的不確定度,提高自動(dòng)駕駛視覺感知系統(tǒng)的穩(wěn)定性;(3)提出了一種難例自適應(yīng)的高效卷積神經(jīng)網(wǎng)絡(luò),有效降低了卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算量,該方法可用于多種視覺感知任務(wù)。
【學(xué)位單位】：天津大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：U463.6;TP183
【部分圖文】：

天津大學(xué)碩士學(xué)位論文圖1-2 Navigant Research對(duì)19家自動(dòng)駕駛企業(yè)的定位DeepLab[20,22]是一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割方法，得到語義分割這種逐像素的預(yù)測(cè)可以更好的識(shí)別車道線、樹木這類用二維框或三維框不能很好表示的物體。PANet[23]是最近提出的一種先進(jìn)的實(shí)例分割方法，與語義分割不同，實(shí)例分割將感興趣的目標(biāo)逐實(shí)例逐像素地標(biāo)注，這樣就可以區(qū)分每類物體的不同個(gè)體，可以說實(shí)例分割集目標(biāo)檢測(cè)和語義分割的優(yōu)點(diǎn)于一身。雖然已有多種面向自動(dòng)駕駛視覺感知的深度學(xué)習(xí)算法，但由于深度學(xué)習(xí)方法有計(jì)算量大、要求高性能的并行計(jì)算設(shè)備、功耗高的缺點(diǎn)，直接將上述算法應(yīng)用于實(shí)際的自動(dòng)駕駛系統(tǒng)還有困難，難以滿足自動(dòng)駕駛?cè)蝿?wù)對(duì)功耗和實(shí)時(shí)性的要求。另外

3章 卷積神經(jīng)網(wǎng)絡(luò)圖3-3 Cityscapes數(shù)據(jù)包含的城市含惡劣天氣下的數(shù)據(jù)，并且標(biāo)注的都是經(jīng)過手工篩選的場(chǎng)景變化豐富的圖像。作為輔助，Cityscapes還提供了該幀圖像前后1.8秒的視頻數(shù)據(jù)、雙目圖像、GPS坐標(biāo)、車輛運(yùn)動(dòng)數(shù)據(jù)和車外溫度。Cityscapes的具體類別定義見表3-2，表格中*符號(hào)表示該類別提供實(shí)例分割標(biāo)簽，+符號(hào)表示在算法評(píng)價(jià)中不使用此標(biāo)簽打分。表3-2 Cityscapes數(shù)據(jù)集類別定義類別分組 類別flat road, sidewalk, parking+, rail track+human person*, rider*vehicle car*, truck*, bus*, on rails*, motorcycle*, bicycle*, caravan*+, trailer*+construction building, wall, fence, guard rail+, bridge+, tunnel+object pole, pole group+, traffic sign, traffic lightnature vegetation, terrainsky skyvoid ground+, dynamic+, static+3.3常用的卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)是視覺感知任務(wù)中的常用方法，并且在面向高級(jí)自動(dòng)駕駛的幾個(gè)常見視覺任務(wù)中都取得了最好效果。本節(jié)將介紹幾種典型的卷積神經(jīng)網(wǎng)絡(luò)，其中包括作為其他任務(wù)的基礎(chǔ)網(wǎng)絡(luò)的兩種常用分類網(wǎng)絡(luò)，和能夠?yàn)樽詣?dòng)駕駛感知融合模塊提供模型不確定度的Bayesian SegNet[37

DenseBlock示例如圖3-7所示，圖片來自DenseNet[15]。這樣的結(jié)構(gòu)有幾點(diǎn)好處，最重要的兩點(diǎn)是：第一，與ResNet一致地，這種結(jié)構(gòu)能夠避免梯度消失；第二，這種結(jié)構(gòu)有利于復(fù)用特征，減少神經(jīng)網(wǎng)絡(luò)參數(shù)量。圖3-7一個(gè)5層的Dense Block示意DenseNet與ResNet除連接方式上的區(qū)別外，有一個(gè)重要區(qū)別是特征融合的策略：ResNet使用了逐元素相加，而DenseNet使用了連接操作（Concatenation）。也就是說

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉梓葳;;淺談自動(dòng)駕駛汽車的發(fā)展與挑戰(zhàn)[J];科技傳播;2018年23期

2 何姍姍;;美國(guó)與德國(guó)在自動(dòng)駕駛領(lǐng)域的兩種立法探索[J];摩托車技術(shù);2018年11期

3 曹思語;;自動(dòng)駕駛技術(shù)給交通帶來的挑戰(zhàn)[J];通訊世界;2019年01期

4 陸e

本文編號(hào)：2817599