未來十年，自動駕駛將徹底改變人們的出行方式。

　　目前，自動駕駛應用程序目前正在測試各種案例，包括客車、機器人出租車自、動商業運輸卡車、智能叉車以及用于農業的自動拖拉機。自動駕駛需要計算機視覺感知模塊來識別和導航環境。此感知模塊的作用是：

　　車道檢測

　　檢測環境中的其他物體：車輛，行人，動物

　　跟蹤檢測到的對象

　　預測他們可能的運動

　　一個好的感知系統應該能夠在各種駕駛條件下（白天/晚上、夏天/冬天、下雨/下雪等）實時完成這項工作。

在本文中，我們將探究一個實時模型，用于檢測車道、其他車輛等以及生成警報。

　　訓練實時車道檢測

　　車道檢測問題通常被構造為語義或實例分割問題，目的是識別屬于車道類別的像素。

　　TUSimple 是用于車道檢測任務的常用數據集，這個數據集有 3626 個道路場景的注釋視頻剪輯，每個剪輯有 20 幀，數據都是從安裝在汽車上的攝像機所捕獲的。

　　下面分享一個示例圖像及其注釋。

在此數據集中，我們可以訓練語義分割模型用于分割出屬于車道類別的像素。U-Net 模型是一個理想的模型，因為它是具有實時推理速度的輕量級模型。U-Net 是一種編碼器-解碼器模型，具有跳過連接編碼器和解碼器塊。模型架構如下所示：

　　但是，損失函數應修改為骰子損失系數。

　　車道線分割問題是一個極不平衡的數據問題，圖像中的大多數像素都屬于背景類。Dice Loss 基于 Sorenson-Dice 系數，它對假陽性和假陰性具有相似的重要性，這使它在數據不平衡問題的處理上表現更好。

　　你可以在他們的論文中閱讀有關 Dice Loss 的更多信息。Dice Loss 嘗試匹配地面真實情況和預測模型中的車道像素，并能夠獲得清晰的邊界預測。個人非常喜歡這個關于使用骰子進行邊界預測的博客。

　　LaneNet 模型

　　對于本文，我使用 LaneNet 模型生成車道線。

　　LaneNet 模型是兩階段車道線預測器。第一階段是編碼器-解碼器模型，以創建車道線分割掩碼。第二階段是車道定位網絡，該車道網絡將從掩碼中提取的車道點作為輸入，并使用 LSTM 學習預測車道點的二次函數。

　　下圖顯示了操作的兩個階段。左圖是原始圖像，中間圖像是第 1 階段車道注釋的輸出，右圖是第 2 階段的最終輸出。

我使用了這個 repo 中的 LaneNet 模型實現。代碼維護良好，運行無錯誤。

　　生成智能警報器

　　我將車道的預測與對象檢測相結合，以生成智能警報。這些智能警報可以：

　　檢測車輛的自我車道中是否存在其他車輛并測量與它們的距離

　　檢測相鄰車道中的車輛

　　識別彎曲道路的轉彎半徑

　　在這里，我使用 YOLO v5 來檢測道路上的汽車和人。

　　YOLO v5 在檢測道路上的其他車輛方面表現出色，而且推斷時間也非常快。接下來，我們使用 YOLO v5 來測量我方車輛與前面最近的車輛之間的距離。模型返回以像素為單位的距離，可以根據相機參數將其轉換為米。

　　由于 TUSimple 數據集的相機參數未知，因此我根據車道的標準寬度估算了像素到米的轉換。

我們同樣可以計算車道的曲率半徑，并將其用于汽車的轉向模塊。

　　結論

　　在本文中，我們探討了針對自動駕駛中如何準確而快速地檢測車道線的問題。然后，我們使用 YOLO v5 建立對道路上其他對象的識別，用于生成智能警報。

　　在深度學習分析中，我們非常熱衷于使用機器學習解決現實世界中的問題。我們已經幫助許多企業部署了基于 AI 的創新解決方案。