来自模型的车道线预测

介绍

自动驾驶将在未来十年给旅行带来革命性的变化。目前，自动驾驶应用正在进行各种应用案例的测试，包括乘用车、机器人出租车、自动商业送货卡车、智能叉车和用于农业的自动拖拉机。

自动驾驶需要一个计算机视觉感知模块来理解和导航环境。感知模块的作用包括：

• 检测车道线

• 检测其他物体：车辆、人、环境中的动物

• 跟踪检测到的对象

• 预测他们可能的运动

一个好的感知系统应该能够在各种驾驶条件下 —— 白天/晚上，夏天/冬天，雨雪等等，实时做到这一点。在这篇博客中，我们着眼于一个实时模型，用于检测车道线、其他车辆等，并生成警报。

训练一个实时的车道线检测器

车道检测问题通常被定义为语义或实例分割问题，目标是识别属于车道类别的像素。

TUSimple是车道检测任务常用的数据集。该数据集包含3626个道路场景的标注视频剪辑。每个剪辑有20帧。这些数据是通过安装在车上的摄像头捕捉到的。下面分享了一个示例图像及其标注。

来自TUSimple 数据集的示例图像以及车道线掩码

在这个数据集上，我们可以训练一个语义分割模型来分割出属于lane类的像素。U-Net model非常适合做这个，因为它是一个具有实时推理速度的轻量级模型。U-Net是一种带有跳跃连接的编译码器和解码器模块的编译码器模型。模型架构如下所示。

来自U-Net论文的U-Net模型结构

然而，损失函数需要修改为Dice损失系数。车道线分割问题是一个极其不平衡的数据问题。图像中的大多数像素属于背景类。Dice Loss基于Sorenson-Dice系数，其对false positives和false negatives的重要性相似，这使得它在处理不平衡数据问题时表现得更好。Dice损失试图匹配groundtruth和预测模型中的车道线像素，希望能够得到一个清晰的边界预测。

LaneNet模型

这里，我使用了LaneNet模型来生成车道线。LaneNet模型是一种两阶段车道线预测器。第一阶段是一个编码器-解码器模型，为车道线创建分割掩码。第二阶段是车道先定位网络，从掩码中提取的车道点作为输入，使用LSTM学习一个二次函数来预测车道线点。

下图显示了这两个阶段的运行情况。左边是原始图像，中间是阶段1的车道线掩码输出，右边是阶段2的最终输出。

LaneNet模型的解释

生成智能告警

我将车道线预测与物体检测结合起来，生成智能警报。这些智能警报可能涉及：

• 检测其他车辆是否在车道线内，并量度与他们的距离

• 检测邻近车道上是否有车辆的存在

• 了解弯曲道路的转弯半径

在这里，我使用YOLO-v5来检测道路上的汽车和人。YOLO-v5在检测道路上的其他车辆方面做得很好。推理时间也非常快。

下面我们用YOLO v5来测量自己的车和前面最近的车的距离。模型返回的距离以像素为单位，可以根据相机参数转换成米。由于TUSimple数据集的相机参数未知，我根据车道线的标准宽度估计了像素到米的转换。

距离度量的报警

我们可以类似地计算车道的曲率半径，并将其用于汽车的转向模块。

曲率半径的测量

总结

在这篇博客中，我们探讨了在自动驾驶中准确和快速检测车道线的问题。然后，我们使用YOLOv5来构建对道路上其他物体的理解。这可以用来生成智能警报。

--End--