基于轮胎特征点的并行大型车辆朝向角计算

doi:10.19562/j.chinasae.qcgc.2023.06.013

摘要/Abstract

摘要：

针对自动驾驶环境感知中并行大型车辆朝向角预测结果稳定性差的问题，本文中提出一种新的方法进行并行大型车辆朝向角计算。首先，基于相机逆投影模型提出根据轮胎特征点图像位置计算目标车辆朝向角的计算方法。然后，在现有单目3D目标检测模型上增加并训练子分支用于进行大型车辆轮胎特征点的检测。最后，对本文算法进行可视化验证。结果表明，该方法可得到准确的并行大型车辆朝向角，具有比单目3D目标检测模型更好的稳定性。

关键词: 自动驾驶, 环境感知, 朝向角计算, 深度学习, 目标检测

Abstract:

For the poor stability of the prediction results of heading angle of parallel large vehicles in autonomous driving environment perception， this paper proposes a new method for the calculation of heading angle of parallel large vehicle. Firstly， a method based on camera inverse projection model to calculate the heading angle of target vehicle according to the location of feature points of tires in the image is proposed. Subsequently， a sub-branch is added and trained on the existing monocular 3D object detection model for the detection of feature point of tire of large vehicles. Finally， the algorithm in this paper is visually verified. The results show that the method can obtain accurate heading angle of parallel large-scale vehicle， and has better stability than the monocular 3D object detection model.

Key words: autonomous driving, environment perception, heading angle calculation, deep learning, object detection

赵嘉豪,齐志权,齐智峰,王皓,何磊. 基于轮胎特征点的并行大型车辆朝向角计算[J]. 汽车工程, 2023, 45(6): 1031-1039.

Jiahao Zhao,Zhiquan Qi,Zhifeng Qi,Hao Wang,Lei He. Calculation of Heading Angle of Parallel Large Vehicle Based on Tire Feature Points[J]. Automotive Engineering, 2023, 45(6): 1031-1039.

图/表 19

图 1

图 2

图 3

图 4

图 5

图 6

图 7

图 8

图 9

图 10

图 11

图 12

图 13

图 14

图 15

表1

表 2

表 3

表 4

参考文献 16

1	STEIN G P， MANO O， SHASHUA A. Vision-based ACC with a single camera： bounds on range and range rate accuracy［C］.IEEE IV2003 intelligent vehicles symposium. Proceedings （Cat. No. 03TH8683）. IEEE， 2003： 120-125.
2	CHEN X， KUNDU K， ZHANG Z， et al. Monocular 3D object detection for autonomous driving［C］.Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 2147-2156.
3	CHABOT F， CHAOUCH M， RABARISOA J， et al. Deep manta： a coarse-to-fine many-task network for joint 2D and 3D vehicle analysis from monocular image［C］.Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2017： 2040-2049.
4	CHEN H， HUANG Y， TIAN W， et al. Monorun： monocular 3D object detection by reconstruction and uncertainty propagation［C］.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2021： 10379-10388.
5	CHEN Y， TAI L， SUN K， et al. Monopair： monocular 3D object detection using pairwise spatial relationships［C］.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2020： 12093-12102.
6	ZHOU X， WANG D， KRÄHENBÜHL P. Objects as points［J］. arXiv preprint arXiv：， 2019.
7	LIU Z， WU Z， TÓTH R. Smoke： single-stage monocular 3D object detection via keypoint estimation［C］.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops， 2020： 996-997.
8	MA X， ZHANG Y， XU D， et al. Delving into localization errors for monocular 3D object detection［C］.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2021： 4721-4730.
9	ZHANG Y， LU J， ZHOU J. Objects are different： flexible monocular 3D object detection［C］.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2021： 3289-3298.
10	WANG T， ZHU X， PANG J， et al. Fcos3D： fully convolutional one-stage monocular 3D object detection［C］.Proceedings of the IEEE/CVF International Conference on Computer Vision， 2021： 913-922.
11	WANG Y， CHAO W L， GARG D， et al. Pseudo-lidar from visual depth estimation： bridging the gap in 3D object detection for autonomous driving［C］.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2019： 8445-8453.
12	READING C， HARAKEH A， CHAE J， et al. Categorical depth distribution network for monocular 3D object detection［C］.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2021： 8555-8564.
13	PARK D， AMBRUS R， GUIZILINI V， et al. Is pseudo-lidar needed for monocular 3D object detection？［C］.Proceedings of the IEEE/CVF International Conference on Computer Vision， 2021： 3142-3152.
14	薛艺舟. 面向自动驾驶的激光雷达与相机联合标定方法研究［D］.北京：北京建筑大学，2021.
	XUE Y Z. Research on the joint calibration method of li dar and camera for autonomous driving ［D］. Beijing： Beijing University of Civil Engineering and Architecture，2021.
15	REDMON J， FARHADI A. Yolov3： an incremental improvement［J］. arXiv preprint arXiv：， 2018.
16	HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition［C］.Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 770-778.

模型	fps	参数量
无特征点检测分支	103.4	25.77×10⁶
增加特征点检测模型	62.8	42.30×10⁶

类别	召回率/%	准确率/%
轮胎	82.3	98.3
接地点	87.2	98.5
中心点	81.0	97.8
上顶点	83.2	98.3

类别	平均误差/pixel		特征点数量
类别	X	Y	特征点数量
接地点	5.87	3.06	704
中心点	4.65	3.34	749
上顶点	5.06	3.54	725
总计	5.18	3.31	2 178

[1]	付新科,蔡英凤,陈龙,王海,刘擎超. 不确定性环境下的自动驾驶汽车行为决策方法[J]. 汽车工程, 2024, 46(2): 211-221.
[2]	程腾,倪昊,张强,王文冲,石琴. 基于虚拟点云的二阶段多模态融合网络[J]. 汽车工程, 2024, 46(2): 222-229.
[3]	赵晓聪,房世玉,李子睿,孙剑. 社会性驾驶交互关键效用析取与应用[J]. 汽车工程, 2024, 46(2): 230-240.
[4]	高泽, 楚遵康, 石稼晟, 林滏, 饶卫雄, 余海燕. 基于图网络的汽车零部件应力场快速预测方法研究[J]. 汽车工程, 2024, 46(1): 170-178.
[5]	马雷, 杨顺清, 王欢欢, 翟家琛, 徐健傲. 融合图像显著性特征的轻量级目标检测算法[J]. 汽车工程, 2024, 46(1): 84-91.
[6]	马艳丽, 秦钦, 董方琦, 娄艺苧. 基于风险场的不同认知次任务下接管风险评估模型[J]. 汽车工程, 2024, 46(1): 9-17.
[7]	刘卫国,项志宇,刘伟平,齐道新,王子旭. 基于分布式强化学习的车辆控制算法研究[J]. 汽车工程, 2023, 45(9): 1637-1645.
[8]	刘卫国,项志宇,刘锐,李国栋,王子旭. 基于深度学习的端到端车辆运动规划方法研究[J]. 汽车工程, 2023, 45(8): 1343-1352.
[9]	王明,唐小林,杨凯,李国法,胡晓松. 考虑预测风险的自动驾驶车辆运动规划方法[J]. 汽车工程, 2023, 45(8): 1362-1372.
[10]	朱向雷,吴志新,张宇飞,赵帅,李克秋,孙博华. 基于场景降维及采样方法的场景库优化方法研究[J]. 汽车工程, 2023, 45(8): 1408-1416.
[11]	吴新政,邢星宇,刘力豪,沈勇,陈君毅. 基于错误注入的决策规划系统抗扰性测试与分析[J]. 汽车工程, 2023, 45(8): 1428-1437.
[12]	高锋,冯德福,胡秋霞. 面向NMPC运动规划系统的数值优化加速技术[J]. 汽车工程, 2023, 45(8): 1438-1447.
[13]	芦涛,金馨,廖毅霏,黄圣杰,杨依琳,谢国涛,秦晓辉. 基于雅克比域零空间边缘化的视觉SLAM[J]. 汽车工程, 2023, 45(8): 1457-1467.
[14]	伍文广,田双岳,张志勇,张斌. 非铺装道路凹凸不平特征语义分割方法研究[J]. 汽车工程, 2023, 45(8): 1468-1478.
[15]	林程, 汪博文, 吕沛原, 宫新乐, 于潇. 面向变曲率道路的自动驾驶汽车换道博弈运动规划与协同控制研究[J]. 汽车工程, 2023, 45(7): 1099-1111.