智能车辆的复杂场景感知与学习技术研究进展.pdfVIP

智能车辆的复杂场景感知 与学习技术研究进展 徐 昕 /xinxu.html xinxu@ 2017.04 主要内容 一、智能驾驶车辆的发展概况 二、智能车辆的复杂场景感知 三、基于学习的智能车辆自主决策和控制 四、智能车辆未来发展的思考 2 国内外智能车发展概况  近年来，美国、欧洲、日本等国的著名汽车厂商都非常 重视智能驾驶汽车的研究，智能驾驶汽车已经被作为新一 代汽车产业革命的主要突破点。  Google，Baidu等信息领域的高新技术企业也加入到智能 驾驶汽车关键技术研发的队伍中，并且进展迅速。 各国的主要科研机构和院校也十分重视智能车的研究，如 美国DARPA ，中国国家自然科学基金委员会等。 现有技术难点：复杂条件下完成自主驾驶  复杂地面状况  复杂天气条件 现有理论方法很难在复杂环境 中实现环境感知、自主决策和 控制的性能优化  复杂的道路交通环境 7 7 主要内容 一、智能驾驶车辆的发展概况 二、智能车辆的复杂场景感知 三、基于学习的智能车辆自主决策和控制 四、智能车辆未来发展的思考 8 智能车辆的复杂场景感知 视觉注意的多尺度频域分析模型 交通标志识别的深度-超限学习算法 9 基于全局抑制的视觉注意模型  注意建模的意义 ：  科学方面 注意机制始终是视听觉研究的核心问题之一； 探索并模拟人类注意力机制；  工程方面 当视觉系统检测目标和障碍时，注意机制将发挥重要作用 目标检测中，减少大范围搜索，为后续的精细处理提供指 引 视觉注意还可以检测未曾定义的障碍物。（不需要学习！）  坠落石块  路面水坑  变形车辆  车辆碎片 传统频域方法的局限性 SR( Spectrum residual, HouZhang, CVPR, 2007) 方法主要 考虑了相位信息，丢弃了多数的幅值谱信息。 SR方法获得的显著区域与利用白噪 声替换对数幅值谱获得的结果接近 基于全局抑制的视觉注意模型  基于频谱分析的全局抑制视觉注意模型  模型内容  提出从抑制非显著模式的角度来计算视觉注意；  指出图像的幅值谱上的尖峰对应于图像的非显著模式；  发现使用高斯核卷积图像幅值谱等价于视觉注意的计算。  理论意义  模型可以很好地预测人眼注意力；  模型可以模拟人类视觉系统中的全局抑制现象。