基于深度学习的物体检测系统将提高自动驾驶汽车的安全性

自动驾驶汽车早已被视为下一代交通工具。为了在不同环境中实现此类车辆的自主导航，需要实施与信号处理、图像处理、人工智能深度学习、边缘计算和物联网相关的许多不同技术。

自动驾驶汽车普及的最大担忧之一是安全性和可靠性。为了确保用户的安全驾驶体验，自动驾驶汽车必须准确、有效、高效地监控和区分其周围环境以及对乘客安全的潜在威胁。

为此，自动驾驶汽车使用高科技传感器，如光探测和测距（LiDaR）、雷达和RGB摄像机，这些传感器产生大量数据，如RGB图像和3D测量点，称为“点云”。对收集到的信息进行快速、准确的处理和解释对于识别行人和其他车辆至关重要。这可以通过将先进的计算方法和物联网（IoT）集成到这些车辆中来实现，这允许快速、现场数据处理和更有效地导航各种环境和障碍物。

在2022年10月17日发表在《IEEE智能交通系统学报》（IEEE Transactions of Intelligent Transport Systems）期刊上的一项最新研究中，由韩国仁川国立大学（Incheon National University）的Gwangil Jeon教授领导的一组国际研究人员现在开发了一种基于深度学习的智能物联网端到端系统，用于实时检测3D物体，并专门用于自动驾驶情况。

Jeon教授解释道：“对于自动驾驶汽车来说，环境感知对于回答一个核心问题至关重要，即‘我周围是什么？’自动驾驶汽车必须能够有效、准确地了解其周围的条件和环境，以便采取相应的行动。我们设计了一个基于YOLOv3的检测模型，YOLOv3是一种著名的识别算法。该模型首先用于2D对象检测，然后针对3D对象进行修改。”他详细阐述道。

该团队将收集的RGB图像和点云数据作为输入输入YOLOv3，YOLOv3依次输出带有置信度分数的分类标签和边界框。然后，他们用Lyft数据集测试了它的性能。早期结果表明，YOLOv3对2D和3D对象都实现了极高的检测精度（>96%），优于其他最先进的检测模型。

该方法可应用于自动驾驶车辆、自动停车、自动配送和未来的自动机器人，以及需要物体和障碍物检测、跟踪和视觉定位的应用。Jeon教授强调：“目前，自动驾驶正在通过基于激光雷达的图像处理来实现，但据预测，未来通用摄像头将取代激光雷达的作用。因此，自动驾驶汽车所使用的技术每时每刻都在变化，我们处于最前沿。”他乐观地总结道：“基于要素技术的发展，未来5-10年内，安全性将得到改善的自动驾驶汽车将问世。”