论文部分内容阅读
自动驾驶近年来受到广泛关注,国内外众多的科技公司、汽车企业、研究机构都在积极研究并试验自动驾驶技术。道路驾驶环境作为一种开放式环境,有场景和气候多变、目标种类复杂、物体数量多等特点。应对这种环境,自动驾驶系统要求感知模型能够稳定、实时地应对任何复杂情况,并且能够融合各种感知模型的结果,进行最终决策。基于深度学习的视觉感知算法一般使用卷积神经网络,这种方法需要大量的并行运算和存储空间,这就对车载计算设备的并行计算性能和电源供应提出了很高要求,进一步限制了深度学习方法在自动驾驶汽车上的实际应用。本文研究面向高级自动驾驶领域的深度学习算法,主要关注用于视觉感知的卷积神经网络方法。为了使神经网络能提供更加稳定可靠的结果,设计了一种能自学习地降低不确定度的框架,通过引入不确定度学习层和不确定度损失项,显著降低自动驾驶视觉感知模型在不同环境下预测结果的不确定度,适合用于自动驾驶系统这类场景复杂多变的智能系统中。为解决卷积神经网络计算复杂度高、难以达到自动驾驶实时性要求的缺点,设计了一种包含多个输出旁路的高效卷积神经网络,采用基于信息熵的评价指标以评估各旁路的分类置信度,提出了基于交叉熵损失项难例权重函数的难例挖掘策略、平衡系数可调节的自适应阈值设置方法,从而达到提前分类的目的。本文的主要贡献有:(1)研究了数种主流的适用于自动驾驶汽车的卷积神经网络模型;(2)提出了一种自学习降低不确定度的神经网络框架,能够显著降低自动驾驶这种复杂任务中神经网络模型的不确定度,提高自动驾驶视觉感知系统的稳定性;(3)提出了一种难例自适应的高效卷积神经网络,有效降低了卷积神经网络的计算量,该方法可用于多种视觉感知任务。