摘要：為了優(yōu)化智能駕駛感知目標檢測算法，提高目標檢測的準確性和魯棒性，改進了環(huán)境感知系統(tǒng)和優(yōu)化了傳統(tǒng)算法。結(jié)果表明：所提出的PINet算法在多傳感器數(shù)據(jù)融合的基礎(chǔ)上顯著提升了3D目標檢測性能，全類平均精度達到56.8%，nuScenes檢測分數(shù)達到69%。由此，證明了該算法在實際行車場景中的有效性和適用性。

關(guān)鍵詞：智能汽車；駕駛感知；PINet算法

0 前言

隨著人工智能和自動駕駛技術(shù)的迅猛發(fā)展，智能駕駛感知系統(tǒng)作為實現(xiàn)車輛自主導航的關(guān)鍵技術(shù)之一，其目標檢測算法的準確性和效率至關(guān)重要。本文圍繞智能駕駛感知目標檢測算法進行了研究。針對現(xiàn)有算法在小目標和遮擋目標檢測方面的不足，提出了一種基于深度神經(jīng)網(wǎng)絡的新型特征提取方法，以增強算法對不同尺寸和形態(tài)目標的檢測能力。針對檢測的實時性問題，設(shè)計了高效的數(shù)據(jù)處理流程，并采用邊緣計算技術(shù)降低延遲，確保算法能夠快速響應環(huán)境變化。

1 智能駕駛感知系統(tǒng)設(shè)計

1. 1 環(huán)境感知系統(tǒng)整體結(jié)構(gòu)設(shè)計

在智能駕駛感知目標檢測算法的研究中，環(huán)境感知系統(tǒng)的整體結(jié)構(gòu)設(shè)計至關(guān)重要。該系統(tǒng)作為智能汽車的“眼睛”，不僅直接影響到?jīng)Q策規(guī)劃系統(tǒng)及車輛控制系統(tǒng)的智能化水平，還是確保智能汽車安全行駛的首要條件?；诖耍疚奶岢隽艘环N真實行車場景下點云和圖像融合的3D目標檢測（PINet）算法，旨在通過多傳感器數(shù)據(jù)融合顯著提升3D目標的檢測性能。該算法利用神經(jīng)網(wǎng)絡對點云和圖像信息進行特征級融合，并結(jié)合跳躍特征金字塔模塊及動態(tài)特征融合模塊設(shè)計，不僅增強了算法處理復雜遮擋場景的能力，在惡劣天氣條件和光照不足的情況下還能表現(xiàn)出較好的魯棒性[1]。

1. 2 系統(tǒng)硬件設(shè)計

在針對智能駕駛感知目標檢測算法的研究中，設(shè)計環(huán)境感知系統(tǒng)硬件時需要充分考慮到不同傳感器的特性和優(yōu)勢，以實現(xiàn)異源數(shù)據(jù)間的冗余和互補，充分發(fā)揮環(huán)境感知系統(tǒng)的能力。考慮到攝像頭能夠拍攝到包含豐富色彩和紋理的圖像或視頻流信息，在完成語義方面的任務時能夠發(fā)揮作用，本文選擇高分辨率、高幀率的車載攝像頭，以滿足不同場景下的視覺需求。

為了充分發(fā)揮各種傳感器的優(yōu)勢并彌補其不足，智能駕駛目標感知檢測算法通采用多種傳感器組合的方式。例如，攝像頭可以用于識別目標物體的類別和外觀特征，激光雷達可以用于檢測障礙物的位置、大小和形狀，而毫米波雷達則可以用于跟蹤目標物體的動態(tài)變化和進行安全預警。通過融合三種傳感器的數(shù)據(jù)，可以實現(xiàn)對目標物體的準確檢測和定位，提高智能駕駛系統(tǒng)的可靠性和安全性。

此外，傳感器的安裝位置對于智能駕駛目標感知檢測算法的性能也有重要影響。為了實現(xiàn)對車輛周圍環(huán)境的全方位感知，傳感器應安裝在車輛的不同位置，以實現(xiàn)多角度覆蓋。同時，傳感器的安裝位置應避免被車輛的其他部件遮擋，以確保能夠獲取完整的環(huán)境信息。在考慮振動和溫度影響時，應選擇合適的安裝方式和固定裝置，以確保傳感器的穩(wěn)定性和可靠性。

1. 3 傳統(tǒng)算法

在智能駕駛感知目標檢測領(lǐng)域，傳統(tǒng)算法中的Haar級聯(lián)分類器方法常用于行人和車輛等目標的檢測。該算法通過使用簡單的特征（如邊緣、線性等）和機器學習技術(shù)來識別圖像中的特定目標。針對該算法，首先需要定義Haar特征，因為這些特征是圖像中簡單且有效的特征。本文收集了大量帶有標注的正樣本（包含目標，如車輛或行人）和負樣本（不包含目標），利用這些數(shù)據(jù)訓練一個級聯(lián)的AdaBoost分類器[2]。

2 目標檢測算法改進

2. 1 攝像頭算法設(shè)計

在智能駕駛感知目標檢測算法的改進研究中，攝像頭算法主要利用Lift-Splat-Shoot網(wǎng)絡對圖像上的像素進行深度估計，生成偽點云，進而將其轉(zhuǎn)換為鳥瞰圖特征，以增強算法對3D空間信息的理解和處理能力?？紤]到算法對圖像特征提取的高要求，選用了EfficientNet-B0作為2D骨干網(wǎng)絡。EfficientNet-B0在保持網(wǎng)絡寬度與深度平衡的同時，通過復合模型縮放技術(shù)，可實現(xiàn)資源的優(yōu)化分配[3]。

在攝像頭捕捉到的圖像中，遠處的物體或被遮擋的物體在像素平面上的占比很小，這導致其在圖像中的信息量較少。隨著網(wǎng)絡深度的增加，這些物體的特征圖分辨率會進一步減小，導致圖像細節(jié)信息丟失，檢測難度加大。特征金字塔網(wǎng)絡（FPN）是一種用于目標檢測任務的深度學習架構(gòu)，通過構(gòu)建一個多尺度的特征提取和融合機制來提高檢測性能。

特征金字塔能夠在不同的網(wǎng)絡層次上提取不同尺度的特征，將深層次的語義特征與淺層次的細節(jié)特征進行融合，從而生成高分辨率且富含語義信息的特征圖。特征金字塔模塊結(jié)構(gòu)如圖1所示。特征金字塔網(wǎng)絡結(jié)構(gòu)的引入不僅增強了算法對不同大小物體的檢測能力，還改善了算法對復雜環(huán)境下目標的識別效果。

EfficientNet-B0網(wǎng)絡包含8個階段，每個階段都通過卷積層來提取圖像特征并逐步下采樣。第1階段使用3×3的卷積核，輸出224×224的特征圖；第2階段保持特征圖尺寸為112×112，通道數(shù)增至48；第3階段的特征圖尺寸減小為56×56，通道數(shù)增至96；第4階段的特征圖進一步減小為28×28，通道數(shù)增加至192；第5階段的特征圖尺寸減小為14×14，通道數(shù)達到304；第6階段的特征圖尺寸為7×7，通道數(shù)增至512；第7階段的特征圖尺寸為3×3，通道數(shù)增至1 024；第8階段輸出1×1的特征圖，通道數(shù)維持在1 024。

首先，將EfficientNet-B0作為編碼器的基礎(chǔ)網(wǎng)絡，去掉最后階段的全連接層；然后，從EfficientNet-B0的第5、6、8階段提取特征圖，分別表示為A1、A2和A3。其中，A2的分辨率是A1的1/2，而A3的分辨率是A1的1/4。在解碼器部分，分辨率最大的特征圖A1通過卷積操作改變通道數(shù)，使其與A2和A3的通道數(shù)保持一致[4]。

2. 2 動態(tài)特征融合

本文引入了一種動態(tài)特征融合模塊，其整體框架如圖2所示。該模塊以通道注意力模塊為基礎(chǔ)進行改進，設(shè)計了元素注意力模塊（EA）。動態(tài)特征融合模塊由2部分組成：自適應特征選擇和數(shù)據(jù)融合。在自適應特征選擇階段，元素注意力模塊通過對不同分支提供的特征圖進行自學習，識別并賦予不同特征重要程度的權(quán)重。這一過程的實現(xiàn)，首先是通過全局平均池化將輸入特征圖的維度從三維降低至一維；隨后，通過2個連續(xù)的全連接層生成注意力圖；在第1個全連接層后，使用ReLU激活函數(shù)，而在第2個全連接層后，通過Sigmoid函數(shù)將輸出向量歸一化至[0，1]范圍內(nèi)，以生成與輸入特征圖維度相匹配的注意力圖；最后，將注意力圖與輸入特征圖通過內(nèi)積方式相乘，實現(xiàn)對特征的加權(quán)增強[5]。

3 智能駕駛感知試驗

3. 1 環(huán)境感知系統(tǒng)整體結(jié)構(gòu)

在智能駕駛感知目標檢測算法的改進研究中，環(huán)境感知系統(tǒng)的整體搭建是關(guān)鍵步驟。本文所提出的算法試驗訓練要求所配置的硬件具有高性能的計算能力和大量存儲空間，以滿足復雜數(shù)據(jù)處理和模型訓練的需求。為此，試驗機器采用了Xeon（R） Platinum 8255 C中央處理器。在軟件環(huán)境方面，試驗采用的操作系統(tǒng)為Ubuntu 20.04 64 bit，CUDA版本為CUDA 11.1，其與NVIDIA顯卡緊密結(jié)合，可優(yōu)化算法的運算速度。深度學習算法框架選用了mmdetection 3d 1.0.0 rc 4，編程語言則選擇Python 3.8，其豐富的庫支持和易用性使得算法更加高效[6]。

3. 2 系統(tǒng)運行效果分析

在對智能駕駛感知目標檢測算法的改進研究中，本文基于真實行車場景下點云與圖像融合的PINet算法進行搭建。通過各傳感器采集的數(shù)據(jù)進行融合，該算法增強了處理復雜遮擋場景的能力。相關(guān)試驗結(jié)果見表1。

由表1可見：mAP達到56.8%，NDS達到69%，表明該算法在處理復雜遮擋場景方面具有明顯的優(yōu)勢，并且其性能明顯優(yōu)于傳統(tǒng)的3D目標檢測算法。

通過對比不同算法的性能指標，可以看出該算法在準確性和魯棒性方面都有顯著提升。這主要得益于點云與圖像的有效融合，以及對復雜遮擋場景的處理能力增強。這些改進使得該算法能夠更好地適應真實行車環(huán)境中的各種挑戰(zhàn)，提高智能駕駛系統(tǒng)的安全性和可靠性。

4 結(jié)語

本文通過深入分析和系統(tǒng)研究，對智能駕駛感知目標檢測算法進行了改進。針對當前自動駕駛領(lǐng)域內(nèi)感知系統(tǒng)所面臨的目標檢測精度、魯棒性，以及實時性問題，改進了智能駕駛感知目標檢測算法，并對其進行了測試和驗證。測試結(jié)果表明，在小目標和遮擋目標條件下改進算法的識別能力得到了增強。通過自適應特征選擇機制的引入，進一步提升了該算法在復雜環(huán)境下，尤其是在極端天氣條件下的檢測性能。

參 考 文 獻

[1] 張新鈺，國紀龍，李駿，等.基于信息論的智能駕駛可解釋多模態(tài)感知[J].中國科學：信息科學，2024，54（6）：1419-1440.

[2] 胡洋，趙一凡，楊華昌，等.黃驊港站智能調(diào)車自動駕駛控制系統(tǒng)應用研究[J].鐵道通信信號，2024，60（5）：9-17.

[3] 梁高洋，黃好，鐘聲峙，等.智能駕駛車輛感知邊界的測試技術(shù)研究[J].大眾科技，2024，26（1）： 73-76.

[4] 張盼盼，宋佳順.四維標注在智能駕駛BEV感知中的應用[J].測繪通報，2023（9）：139-143.

[5] 蔣凱偉.基于深度學習的智能駕駛目標檢測技術(shù)研究[D].北京：北京交通大學，2023.

[6] 張姍.智能駕駛車輛環(huán)境感知系統(tǒng)建模與仿真[D].長春：長春大學，2021.