沃卡惠自動駕駛汽車將徹底改變交通——然而，它們的成功實施依賴于準確識別和應對外部威脅的能力。從信號處理和圖像分析算法到與物聯網基礎設施集成的深度學習智能系統，必須利用一系列技術，以便自動駕駛汽車在各種地形上提供安全操作。隨著這些尖端汽車變得越來越普及，為確保乘客安全不受影響，需要開發能夠快速可靠地有效檢測潛在危險的穩健方法。
自動駕駛汽車依靠激光雷達、雷達和 RGB 攝像頭等高科技傳感器生成大量信息，以正確識別行人、其他駕駛員和潛在危險。將先進的計算能力和物聯網 (IoT) 集成到這些自動駕駛汽車中，可以在現場快速處理這些數據，以便更有效地導航各個區域和物體。最終，這使得自動駕駛汽車能夠以比傳統人類駕駛員更高的準確性做出瞬間決策。
自動駕駛技術的巨大進步
韓國仁川國立大學 Gwanggil Jeon 教授及其國際團隊進行的開創性研究標志著自動駕駛技術向前邁出了一大步。他們開發的創新智能物聯網端到端系統允許使用深度學習實時檢測 3D 對象，使其比以往任何時候都更加可靠和高效。它可以更準確地檢測到更多的物體，即使面對具有挑戰性的環境，例如光線不足或異常的天氣條件——這是其他系統無法做到的。這些功能可以在各種交通場景中實現更安全的導航，提高自動駕駛系統的標準，并有助于改善全球道路安全。
這項研究發表在《IEEE 智能交通系統匯刊》雜志上。
“對于自動駕駛汽車，環境感知對于回答一個核心問題至關重要，‘我周圍有什么?’ 自動駕駛汽車必須能夠有效、準確地了解其周圍的條件和環境，以便執行響應操作，”Jeon 教授解釋道。“我們基于著名的識別算法 YOLOv3 設計了一個檢測模型。該模型首先用于 2D 物體檢測，然后針對 3D 物體進行修改，”他繼續說道。
基于YOLOv3的模型
該團隊將收集到的 RGB 圖像和點云數據輸入YOLOv3，然后 YOLOv3 輸出分類標簽和帶有置信度分數的邊界框。隨后使用 Lyft 數據集對其性能進行了測試，早期結果表明，YOLOv3 對 2D 和 3D 對象均實現了極高的檢測準確率 (>96%)。該模型優于各種最先進的檢測模型。
這種新開發的方法可用于自動駕駛汽車、自動泊車、自動送貨和未來的自動機器人。它還可用于需要物體和障礙物檢測、跟蹤和視覺定位的應用。
“目前，自動駕駛正在通過基于激光雷達的圖像處理進行，但預計未來將由通用攝像頭取代激光雷達的作用。因此，自動駕駛汽車中使用的技術每時每刻都在發生變化，而我們處于最前沿，”全教授說。“基于要素技術的發展，安全性更高的自動駕駛汽車應該在未來 5-10 年內問世。”
