SmartRSD: 智能多模态实时道路表面检测系统用于安全驾驶

Jun, 2024

SmartRSD: 智能多模态实时道路表面检测系统用于安全驾驶

SmartRSD: An Intelligent Multimodal Approach to Real-Time Road Surface Detection for Safe Driving

Adnan Md Tayeb, Mst Ayesha Khatun, Mohtasin Golam, Md Facklasur Rahaman, Ali Aouto...

TL;DR准确和及时地识别道路表面状况使车辆能够调整动作，如改变速度或使用特定的牵引控制技术，以降低事故的发生率，并减少驾驶员和行人的潜在危险。本文介绍了一种通过集成音频和图像进行道路表面状况自动检测的多模态方法。通过在各种环境条件和道路类型下收集的多样数据集进行鲁棒性测试。通过广泛的评估，我们证明了我们的多模态方法在准确识别道路表面状况的实时场景中的有效性和可靠性。我们的研究结果凸显了集成听觉和视觉线索以增强道路安全和降低事故风险的潜力。

Abstract

Precise and prompt identification of road surface conditions enables vehicles to adjust their actions, like changing speed or using specific traction control techniques, to lower the chance of accidents and potential danger to drivers and pedestrians. However, most of the existing meth

road surface conditions multimodal approach automated detection audio and images road safety

发现论文，激发创造

RSRD：安全舒适自动驾驶的道路表面重建数据集和基准

通过对道路表面的重建，提高自主车辆的分析和预测能力，本研究介绍了道路表面重建数据集（RSRD），并构建了一个综合性基准用于恢复道路剖面的深度估计和立体匹配任务。初步评估结果显示我们的数据集的有效性，并强调了 RSRD 作为推动安全自动驾驶等技术的有价值资源。

Oct, 2023

自然驾驶情境下的概率不确定性感知危险路段探测器

本文提出了基于生存分析考虑的概率情况风险模型，并将其扩展到自然地结合感性、时间和行为不确定性的真实场景。结果风险点检测器 (RSD) 应用于真实驾驶数据，显示了路面重要性地图，相较于 Time Headway (TH) 和 Time-To-Contact (TTC), 我们的方法在预测风险方面更具有选择性和特异性。

Mar, 2023

道路表面缺陷检测 -- 从基于图像到非图像：一份综述

确保交通安全至关重要，需要检测和防止道路表面缺陷，以此为主题，研究了道路表面缺陷检测的各种方法。主要方法是基于图像的方法，分析像素强度和表面纹理来识别缺陷；然而，这些方法对于天气和光照变化敏感，为解决这个问题，研究者探索了使用激光扫描仪或激光雷达等附加传感器的方法，提供明确的深度信息，以实现对缺陷的尺度和体积的检测，并探索了超出图像的数据的创新。在这篇综述中，我们对基于输入数据类型和方法学分类的道路表面缺陷检测研究进行了全面回顾，并对最近提出的非图像方法进行了评述，讨论了相关的挑战和待解决的问题。

Feb, 2024

RMMDet：自动驾驶路侧多类型多组传感器检测系统

本文提出了一种用于自动驾驶的路侧多类型多组传感器检测系统 ——RMMDet，通过在 ROS 模拟环境中实现多类型传感器和多组传感器的融合检测，并将多智能体协同调度系统与融合检测系统连接起来，构建了一个道路感知、融合检测和调度规划的路侧检测系统。实验证明，RMMDet 系统在车辆 - 道路协同及其优化方面发挥了重要作用。

Mar, 2023

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

InfraDet3D：基于路侧基础设施摄像机和激光雷达传感器的多模态三维物体检测

本文介绍了一种新的基础设施传感器的多模 3D 物体检测器 InfraDet3D，有效结合了两个 LiDAR 和单目相机数据，通过早期融合方法提高检测效果，并将 HD 地图应用于单目 3D 检测模块，以提升其最终的感知结果；该系统在德国慕尼黑的 A9 测试区域进行了实际部署和评估，得到了 68.48 的 mAP 测试结果，同时数据集和代码也提供给研究社区进行进一步的研究。

Apr, 2023

自动驾驶鲁棒路侧感知：基于合成数据的无需标注策略

本文提出了一种新方法来解决道路感知系统中数据不足的问题，即使用增强现实和生成对抗网络来创建合成训练数据集，从而训练鲁棒性较高、适应性更强的道路感知检测器。在两个路口的实验中，我们的实验表明，使用合成数据仅仅作为训练集的检测器可以在所有条件下获得良好的性能，并且在恶劣的条件下，使用标记数据训练的已有检测器的性能可以通过合成数据得到提升。

Jun, 2023

智慧城市交通：用深度学习集成方法进行交通事故检测

本研究对现有的事故检测技术进行了全面的探索研究，重点介绍了尾部碰撞、侧面碰撞和正面碰撞等不同类型的交通事故，并引入了适用于智慧城市交通监控系统的 I3D-CONVLSTM2D 模型架构，结合 RGB 帧和光流信息进行事故检测。实验分析验证了该方法的有效性，该模型在平均精度（Mean Average Precision，MAP）方面表现优异，达到了 87%。同时，本研究还详细阐述了数据不平衡在有限数据集、道路结构和交通场景方面带来的挑战，最终为基于视觉的事故检测系统在智慧城市基础设施中实时集成到边缘物联网设备提供了路径指引。

Oct, 2023

嵌入式无人机实时密集立体视觉用于道路检测

本文介绍了一种嵌入在无人机上的稳健立体视觉系统，可以实时准确地评估道路表面的状况，从而支持道路交通的安全。通过改进视角变换和使用双边滤波器来过滤生成的代价体积，以及最小化能量函数，通过单独检测受损道路区域，降低了算法的计算复杂度。

Apr, 2019

用于自动驾驶应用的智能路边基础设施传感器质量评估框架

通过对不同类型传感器的定量质量评估，该研究为未来的智能交通基础设施传感器提出了一种多模式框架，有效地用于 ITS-S 应用中。

Apr, 2023