Oct, 2023

增强型计算机视觉冬季路面状况监测

PDF
TL;DR该研究提出了一种名为 SIWNet 的深度学习回归模型，能够从摄像头图像中准确估计道路表面摩擦特性，该模型在网络中引入了一个额外的头部来估计预测区间，通过最大似然损失函数进行训练。研究结果表明，SIWNet 的预测区间估计功能良好，并且与之前的最先进模型在点估计准确度上相当，而且 SIWNet 的架构比之前的模型轻量化了几倍，更加适合实际部署和高效使用。
winter conditionsautomated drivingroad surface frictiondeep learning regression modelsiwnet
发现论文，激发创造
  • 利用通用视觉特征估计冬季道路表面摩擦

    利用道路边缘相机图像，本研究探索基于计算机视觉的道路表面摩擦评估方法。通过提出的混合深度学习架构 WCamNet，将预训练的视觉变换模型和卷积块结合，优于先前的方法，实现了从道路边缘相机图像中预测道路表面摩擦的任务。

    Apr, 2024

  • 多模态图像数据中密集路面抓地力地图预测

    使用多模态传感器数据，从车前区域预测稠密抓地力地图，用于自动驾驶车辆在滑腻路况下的安全驾驶。

    Apr, 2024

  • 边缘计算启用的道路状况监测：系统开发与评估

    该研究提出了一种利用低成本微电子机械系统（MEMS）传感器、边缘计算和可部署机器学习模型设计的物联网设备来提供实时路面状况数据的解决方案，以在路面养护和修复政策制定方面为高速公路管理机构提供及时准确的信息。

    Oct, 2023

  • 基于无人机的冬季道路安全智能信息系统对自动驾驶车辆的研究

    提出了一种改善自动驾驶车辆在冬季道路中驾驶挑战的方法，通过使用无人机和自动驾驶车辆的模型来分割和估计道路宽度，为自动驾驶汽车提供最新的准确信息，增强其在冬季环境下的适应能力和决策能力。

    Jun, 2024

  • 提高行人安全性的雪天检测图像分类

    本研究利用计算机视觉方法，在人行道和路面上检测积雪，以减少冬季相关的跌倒伤害，特别是对于老年人和视障人士。该研究采用经过精细调整的 VGG-19 和 ResNet50 卷积神经网络，重点是在这些图像中识别积雪的存在。研究使用包含 98 个图像的数据集，均匀分为积雪和无积雪条件，采用 F1 得分和准确性度量标准对其进行评估。本研究通过采用经过精细调整的卷积神经网络架构，有效地从智能手机拍摄的图像中检测到路面上的积雪，建立在现有研究的基础上。该方法结合了迁移学习和模型集成技术，综合了 VGG19 和 ResNet50 架构的最佳预测结果。这项研究展示了计算机视觉在应对冬季相关危害中对弱势群体的潜力，并取得了 81.8% 和 81.7% 的准确性和 F1 得分。

    Jun, 2024

  • 基于人工智能算法的自动驾驶系统对挡风玻璃引起的光波前像差的敏感性分析

    自动驾驶感知技术基于实际街道数据训练的监督式机器学习模型，然而，在不同车辆类型上部署这些训练模型可能会引起域漂移问题，对神经网络性能造成潜在影响并违反工作中的 ADAS 要求。本文通过评估两个感知模型对不同车窗配置的敏感性来深入研究领域漂移问题，使用傅立叶光学威胁模型应用神经网络基准指标与光学价值函数之间的依赖关系进行评估。结果表明车窗引入了性能差异，而现有的光学指标可能不足以提出要求。

    Aug, 2023

  • 提高电动飞机制动系统的轮胎 - 路面摩擦估计和不确定性评估

    本文提出了基于 MLP 神经网络的数据驱动方案，用于估计飞机降落阶段地面摩擦系数，使用随机神经网络权重 dropout 机制，以在线方式估计拟合最佳摩擦系数的置信区间，从而提供与神经网络模块相关的认知不确定性的表征。通过开环和闭环模拟展示了该鲁棒性摩擦估计方法的潜力和有效性。

    Nov, 2022

  • 一种基于数据驱动的打滑估计方法用于在不同路况下实现有效的制动控制

    针对机器人系统的制动控制性能，提出了一种基于多层神经网络的摩擦估计算法，经过实验和对比结果表明该算法能够提供有效的最佳滑行估计。

    Nov, 2022

  • 自动驾驶车辆的实时环境条件分类

    通过改进标注流程和提出的分类体系，我们训练了一个深度学习模型来识别室外天气和危险的路况，从而实现对新情景和环境的快速反应。我们在 F1 得分上相对于基线模型提高了 16%，同时保持了 20 Hz 的实时性能。

    May, 2024

  • 雪景清晰检测：一种在恶劣天气条件下的交通信号灯检测鲁棒模型

    通过引入一种新的框架和流程，我们提出了一种改善恶劣天气下目标检测的方法，重点解决了传统方法在交通信号灯检测方面由于恶劣天气所引起的领域转移问题。我们详细分析了现有技术的局限性，我们的流程在雪天、雨天和雾天中显著提高了检测精度。结果显示与简单调整相比，平均 IoU 和 F1 分数提高了 40.8％，在域转移情况下（如在人工雪天训练，在雨天图片测试）性能提高了 22.4％。

    Jun, 2024