基于YOLOv5的多任务自动驾驶环境感知算法

摘要：

自动驾驶任务是当前深度学习研究的热门领域,环境感知作为自动驾驶中最重要的模块之一,是一项极具挑战性并具有深远意义的任务,包括目标检测、车道线检测、可行驶区域分割等.传统的深度学习算法通常只解决环境感知中的一个检测任务,无法满足自动驾驶同时感知多种环境因素的需求.本文使用YOLOv5作为骨干网络及目标检测分支,结合实时语义分割网络ENet进行车道线检测和可行驶区域分割,实现了多任务自动驾驶环境感知算法,损失计算时采用α-IoU提高回归精度,对噪声有更好的鲁棒性.实验表明,在BDD100K数据集上,本文提出的算法结构优于当前现有的多任务深度学习网络,并且在GTX1080Ti上可达到76.3 FPS的速度.

关键词：多任务、环境感知、目标检测、车道线检测、可行驶区域分割、YOLOv5

所属期刊栏目：31

分类号：TP391.41;U463.6;TN958.98

资助基金：科技创新特区计划20-163-14-LZ-001-004-01

在线出版日期：2022-09-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：226-232