摘要
随着汽车智能化水平的不断提高，自动驾驶技术已成为当前汽车行业的重点研究领域，其中感知模块负责精确地识别和理解车辆周围的动态环境，是智能汽车实现自动驾驶的关键基础。本文在此研究背景下聚焦于自动驾驶感知领域的关键任务——目标检测，对基于激光雷达与摄像头传感器及两者融合的智能车辆目标检测算法进行研究。本文的具体研究内容如下： （1）基于视觉的车辆目标检测算法研究。从YOLOv5的多个版本中选择小型版本作为本文的视觉检测基础模型以更好地满足智能车辆的实时检测需求，针对车辆目标检测的遮挡问题进行解决方案分析以确定本文添加注意力机制和改进模型特征提取网络结构的改进策略，提出一种在更多尺度上进行特征提取并集成MultiSEAM注意力机制的MSE-YOLOv5s车辆目标检测网络模型。引入MultiSEAM注意力模块学习遮挡与未遮挡目标各通道间的特征关系并基于输出权重在多个尺度下对特征图进行特征提取融合，改进模型的多尺度特征提取网络结构使浅层特征层融入网络以获取更多的目标细节信息。基于KITTI数据集的试验验证结果表明MSE-YOLOv5s模型在对所设各类目标进行检测时表现出了较好的检测能力，并且在对遮挡目标的检测上效果较为明显。 （2）基于激光雷达点云的三维车辆目标检测算法研究。对激光雷达点云检测的传统与深度学习方法展开研究，首先基于传统方法针对智能车辆自动驾驶场景对Euclidean点云聚类的预处理、地面点云去除和聚类等关键步骤进行分析设计。采用筛选感兴趣区域、体素滤波降采样和SOR滤波去噪方法进行点云预处理，基于RANSAC方法拟合去除地面干扰点云以提高数据有效性，引入KD-Tree结构进行Euclidean聚类算法最近邻搜索并选用轴对齐边界框将目标点云簇包围以直观显示聚类结果。基于深度学习方法改进PointPillars模型，提出多层特征融合并引入CBAM注意力的CBUC-PointPillars 点云检测算法。基于不确定性机制设计了一种能够动态调整各特征图分配权重的多层特征融合结构以改进模型的主干伪图处理网络，引入CBAM模块提高模型对检测任务相关特征的关注度。试验结果表明KITTI自动驾驶场景下基于KD-Tree最近邻搜索的Euclidean点云聚类算法能够较好地完成目标聚类，CBUC-PointPillars模型在检测各类目标时准确率均有一定提升，综合检测能力总体上得到增强。 （3）基于激光雷达与摄像头融合的三维车辆目标检测算法研究。为提高自动驾驶汽车感知系统可靠性，在前文研究基础上设计了一种两传感器决策级融合的三维车辆目标检测算法。基于对多传感器信息融合策略的比较分析制定算法的决策级融合方案并对其信息关联与结果融合环节中的各步骤进行设计。采用时间戳对齐方法使两传感器时间同步，通过多传感器坐标系转换进行空间同步以实现点云到图像的投影。为使两传感器优势互补对目标检测流程进行设计并使用MSE-YOLOv5s和KD-Tree最近邻搜索的Euclidean点云聚类算法获取视觉与点云分支的检测结果，为实现结果融合设计了基于检测框IoU的目标匹配融合策略并在视觉检测图像上输出最终的融合检测结果。在 KITTI 数据集的试验测试中本文提出的融合算法总体表现较好，能够在维持较高检测准确度的前提下识别出更多的目标。
NETL