摘要
对汽车周围一定距离下的环境感知是自动驾驶汽车实现路径规划的基础。自动驾驶汽车大部分依赖于激光雷达、摄像头和毫米波雷达融合的得到的结果，以实现高传感器冗余，高可靠性的，高安全性的目标。鉴于相机的低成本，感知信息丰富，基于单个图像实现准确的目标三维信息估计变得越来越重要，而现在3D目标检测在被遮挡或者截断场景难以准确的估计目标的三维信息。本文基于自动驾驶场景下的单目3D目标检测算法进行了深入研究，做出了以下贡献： ①针对目前基于Anchor-Free的单目3D目标检测算法对目标检出困难以及目标三维信息估计不准的问题，1）改进了多特征层融合的方法：由于目标中心点在不同特征层难以对齐，通过局部特征对齐，解决了多特征层融合问题；2）使用2D检测结果为目标进行掩膜，使得模型能够专注于目标及其附近场景，同时将创新性地将2D-3D投影约束作为损失函数，使得模型估计目标三维信息时能够参考2D检测结果，降低目标三维空间信息的估计误差；3）使用了一种基于残差的估计方法，通过目标的2D检测框和目标的三维几何信息求解目标距离，并通过模型估计求解的距离和真值之间偏置，提升模型估计目标距离的准确率。 ②针对现实场景下目标被严重遮挡或者截断导致目标检测框估计不准或者目标三维信息估计不准的情况，本文提出了一种多信息的卡尔曼融合算法。使用模型评估车辆三维信息的置信度和多信息的卡尔曼融合算法，融合多种信息计算的测距结果，并通过模型拟合该算法中的权重矩阵，获得融合后的距离值。设计了一种基于任务Loss评估任务的方法，并通过不同的权重实现了一种分层训练模型，该模块使得模型可以优先训练2D目标检测和目标三维信息，当这两部分性能满足需求后，加强模型对于目标距离的训练。 本文在KITTI数据集上进行了实验，实验证明了上述提出的方法的有效性，使得模型对于被遮挡或者被截断的目标的3D检测结果精度大大提升，满足现有自动驾驶汽车所需的单目3D目标检测需求。
NETL