[论文解读] JuncNet: A Deep Neural Network for Road Junction Disambiguation for Autonomous Vehicles

Saumya Kumaar Saksena, B Navaneethkrishnan+2 more|arXiv (Cornell University)|Aug 31, 2018

Automated Road and Building Extraction参考文献 10被引用 11

一句话总结

JuncNet 提出了一种深度卷积神经网络，通过基于视觉的感知技术，准确区分道路交汇处与非交汇处道路段，克服了城市环境中 GPS 信号受限的问题。该模型在印度科学研究所的真实世界数据上进行训练，其在道路交汇处分类准确率上优于 AlexNet 和 VGGNet 等模型，能够在 GPS 信号缺失区域实现可靠的自主导航。

ABSTRACT

With a great amount of research going on in the field of autonomous vehicles or self-driving cars, there has been considerable progress in road detection and tracking algorithms. Most of these algorithms use GPS to handle road junctions and its subsequent decisions. However, there are places in the urban environment where it becomes difficult to get GPS fixes which render the junction decision handling erroneous or possibly risky. Vision-based junction detection, however, does not have such problems. This paper proposes a novel deep convolutional neural network architecture for disambiguation of junctions from roads with a high degree of accuracy. This network is benchmarked against other well known classifying network architectures like AlexNet and VGGnet. Further, we discuss a potential road navigation methodology which uses the proposed network model. We conclude by performing an experimental validation of the trained network and the navigational method on the roads of the Indian Institute of Science (IISc).

研究动机与目标

• 解决城市环境中不可靠的 GPS 信号对自动驾驶汽车准确检测道路交汇处造成的阻碍问题。
• 开发一种基于视觉的深度学习解决方案，能够在不依赖 GPS 的情况下可靠地分类道路交汇处。
• 设计一种专为复杂城市道路网络中道路交汇处区分而优化的新型 CNN 架构。
• 使用印度科学研究所校园的真实世界数据，验证所提出模型在实际环境中的性能。
• 将该模型整合到自动驾驶汽车在 GPS 信号缺失区域的综合道路导航方法中。

提出的方法

• 提出一种定制的深度卷积神经网络（JuncNet），采用专为从非交汇处道路段中分类道路交汇处而设计的特殊架构。
• 在来自印度科学研究所校园的真实道路图像数据集上进行端到端训练，重点针对城市道路环境。
• 利用迁移学习和微调技术，将预训练模型（如 AlexNet、VGGNet）作为基线比较。
• 采用数据增强策略，以提高在不同光照和遮挡条件下的泛化能力和鲁棒性。
• 将训练好的 JuncNet 模型集成到导航流程中，利用道路交汇处分类结果指导路径规划决策。
• 采用多尺度特征提取策略，以捕捉局部和全局上下文信息，提升道路交汇处检测性能。

实验结果

研究问题

• RQ1 仅使用视觉输入，深度学习模型能否有效区分道路交汇处与非交汇处道路段？
• RQ2 JuncNet 在道路交汇处分类任务中的表现与 AlexNet 和 VGGNet 等成熟 CNN 架构相比如何？
• RQ3 基于视觉的道路交汇处检测在多大程度上能够减少对城市自动驾驶导航中 GPS 的依赖？
• RQ4 所提出的模型能否在如密集城市区域等 GPS 信号缺失环境中实现可靠的路径规划？
• RQ5 在复杂道路网络中，使用 JuncNet 的集成导航方法在真实世界中的表现如何？

主要发现

• 在相同测试集上，JuncNet 的分类准确率高于 AlexNet 和 VGGNet，证明其在道路交汇处区分任务中表现更优。
• 该模型可在 GPS 信号缺失环境中正常运行，证明在传统 GPS 导航失效的场景下依然有效。
• 在印度科学研究所校园道路的实验验证中，确认了该模型的鲁棒性和真实世界适用性。
• 将 JuncNet 集成到导航流程中，可在无需依赖 GPS 的情况下实现对道路交汇处的准确决策。
• 数据增强和迁移学习的使用显著提升了模型在多样化城市道路条件下的泛化能力。
• 所提出的架构在复杂城市环境中部署于自动驾驶汽车方面展现出强大潜力。