摘要
随着国家对人工智能产业的大力扶持，自动驾驶技术快速发展。自动驾驶车辆对道路场景中的目标进行精确快速的检测是保证车辆安全行驶最重要的因素之一。目前自动驾驶汽车搭载的传感器主要有：摄像头，激光雷达，毫米波雷达。其中，摄像头主要被用于交通标志、车道线等识别工作，道路场景中的车辆、行人等目标主要依靠激光雷达来进行检测。但是目前大多数基于激光雷达目标检测算法存在两方面问题：一方面激光雷达无法适应复杂的城市道路和雨雾等天气环境；另一方面道路场景检测范围大，需要消耗大量计算资源，影响检测实时性。 针对上述激光雷达在道路场景目标检测中出现的问题，本文提出了两种解决方法：1、根据毫米波雷达穿透能力强，不受雨雾影响的优点，提出毫米波雷达和激光雷达注意力融合方法，以此提升复杂环境下检测精度；2、根据毫米波雷达能够直接检测出大部分目标大致位置的特点，提出利用毫米波雷达生成稀疏候选框的检测方法，以此提高检测速度。针对提出的两种融合方法，本文的主要工作如下： 1.激光雷达和毫米波雷达数据预处理。数据空间对齐：通过获取激光雷达和毫米波雷达以惯性导航单元为参考的旋转矩阵和平移矩阵，将传感器数据都转化到同一坐标系下，实现两个传感器数据的空间对齐。数据时间对齐：根据两个传感器扫描频率，实现两者标注帧时间对齐。数据聚合：根据实验的需要将激光雷达和毫米波雷达进行多帧聚合，得到更加密集的点云数据。 2.激光雷达和毫米波雷达特征融合算法设计。针对激光雷达的穿透能力、远距离目标检测能力和抗雨雾干扰能力不足的问题，设计了一种激光雷达和毫米波雷达注意力融合算法。通过离散体素编码方式将激光雷达和毫米波雷达数据转为相同大小的伪图像，再使用特征提取网络分别提取两个伪图像的特征图，最后使用注意力机制将两者的特征图进行融合。通过特征注意力融合的方法提高激光雷达对遮挡目标、雨雾中目标、远距离目标的检测能力。 3.激光雷达和毫米波雷达数据融合算法设计。针对已有的激光雷达目标检测算法需要遍历大量的候选框，消耗巨大的计算资源的问题，设计了一种利用毫米波雷达生成稀疏候选框的检测网络RRPN(radarregionproposalnetwork)。通过毫米波雷达的信息生成3D候选框，通过RRPN网络对生成的稀疏候选框进行回归和分类。这种方法有效地减少了网络对候选框筛选时的巨大计算量。 4.实验设计。根据论文提出的两种融合方法，设计实验进行算法验证，并将检测结果进行可视化分析。
NETL