導讀

車道線檢測 + 距離告警 + 轉彎曲率半徑計算。

來自模型的車道線預測

介紹

自動駕駛將在未來十年給旅行帶來革命性的變化。目前，自動駕駛應用正在進行各種應用案例的測試，包括乘用車、機器人出租車、自動商業送貨卡車、智能叉車和用于農業的自動拖拉機。

自動駕駛需要一個計算機視覺感知模塊來理解和導航環境。感知模塊的作用包括：

檢測車道線

檢測其他物體：車輛、人、環境中的動物

跟蹤檢測到的對象

預測他們可能的運動

一個好的感知系統應該能夠在各種駕駛條件下 —— 白天/晚上，夏天/冬天，雨雪等等，實時做到這一點。在這篇博客中，我們著眼于一個實時模型，用于檢測車道線、其他車輛等，并生成警報。

訓練一個實時的車道線檢測器

車道檢測問題通常被定義為語義或實例分割問題，目標是識別屬于車道類別的像素。

TUSimple是車道檢測任務常用的數據集。該數據集包含3626個道路場景的標注視頻剪輯。每個剪輯有20幀。這些數據是通過安裝在車上的攝像頭捕捉到的。下面分享了一個示例圖像及其標注。

來自TUSimple 數據集的示例圖像以及車道線掩碼

在這個數據集上，我們可以訓練一個語義分割模型來分割出屬于lane類的像素。U-Net model非常適合做這個，因為它是一個具有實時推理速度的輕量級模型。U-Net是一種帶有跳躍連接的編譯碼器和解碼器模塊的編譯碼器模型。模型架構如下所示。

來自U-Net論文的U-Net模型結構

然而，損失函數需要修改為Dice損失系數。車道線分割問題是一個極其不平衡的數據問題。圖像中的大多數像素屬于背景類。Dice Loss基于Sorenson-Dice系數，其對false positives和false negatives的重要性相似，這使得它在處理不平衡數據問題時表現得更好。Dice損失試圖匹配groundtruth和預測模型中的車道線像素，希望能夠得到一個清晰的邊界預測。

LaneNet模型

這里，我使用了LaneNet模型來生成車道線。LaneNet模型是一種兩階段車道線預測器。第一階段是一個編碼器-解碼器模型，為車道線創建分割掩碼。第二階段是車道先定位網絡，從掩碼中提取的車道點作為輸入，使用LSTM學習一個二次函數來預測車道線點。

下圖顯示了這兩個階段的運行情況。左邊是原始圖像，中間是階段1的車道線掩碼輸出，右邊是階段2的最終輸出。

LaneNet模型的解釋

生成智能告警

我將車道線預測與物體檢測結合起來，生成智能警報。這些智能警報可能涉及：

檢測其他車輛是否在車道線內，并量度與他們的距離

檢測鄰近車道上是否有車輛的存在

了解彎曲道路的轉彎半徑

在這里，我使用YOLO-v5來檢測道路上的汽車和人。YOLO-v5在檢測道路上的其他車輛方面做得很好。推理時間也非常快。

下面我們用YOLO v5來測量自己的車和前面最近的車的距離。模型返回的距離以像素為單位，可以根據相機參數轉換成米。由于TUSimple數據集的相機參數未知，我根據車道線的標準寬度估計了像素到米的轉換。

距離度量的報警

我們可以類似地計算車道的曲率半徑，并將其用于汽車的轉向模塊。

曲率半徑的測量

總結

在這篇博客中，我們探討了在自動駕駛中準確和快速檢測車道線的問題。然后，我們使用YOLOv5來構建對道路上其他物體的理解。這可以用來生成智能警報。
編輯：lyn