[论文解读] Research on the Application of Computer Vision Based on Deep Learning in Autonomous Driving Technology

Jingyu Zhang, Jin Xin Cao+4 more|arXiv (Cornell University)|Jun 1, 2024

Applied Advanced Technologies被引用 5

一句话总结

本论文开发了一个基于深度学习的自主驾驶系统，涵盖图像识别、实时跟踪/分类、环境感知/决策支持以及路径规划/导航，在各模块实现超过98%的准确率和毫秒级的响应时间。

ABSTRACT

This research aims to explore the application of deep learning in autonomous driving computer vision technology and its impact on improving system performance. By using advanced technologies such as convolutional neural networks (CNN), multi-task joint learning methods, and deep reinforcement learning, this article analyzes in detail the application of deep learning in image recognition, real-time target tracking and classification, environment perception and decision support, and path planning and navigation. Application process in key areas. Research results show that the proposed system has an accuracy of over 98% in image recognition, target tracking and classification, and also demonstrates efficient performance and practicality in environmental perception and decision support, path planning and navigation. The conclusion points out that deep learning technology can significantly improve the accuracy and real-time response capabilities of autonomous driving systems. Although there are still challenges in environmental perception and decision support, with the advancement of technology, it is expected to achieve wider applications and greater capabilities in the future. potential.

研究动机与目标

• 探讨深度学习如何将自主驾驶计算机视觉从理论转向应用。
• 评估图像识别、跟踪、环境感知、决策支持与路径规划的性能提升。
• 为自主驾驶中深度学习的系统设计、局限性与未来方向提供指导。

提出的方法

• 实现基于CNN的图像识别，采用使用选择性搜索的两阶段检测框架、CNN特征提取与SVM分类。
• 使用多任务联合学习网络实现实时目标跟踪与分类，联合损失为 L = L_cls + λ L_reg。
• 在仿真环境中使用带有多模态传感数据的 Double DQN，用于环境感知与决策支持。
• 将图神经网络（GNN）与A*搜索结合，实现自适应路径规划和障碍物规避。
• 在真实世界数据与仿真场景中评估系统性能，决策周期达到毫秒级。

实验结果

研究问题

• RQ1 深度学习如何提高自主驾驶图像识别、目标跟踪与分类的准确性与实时性？
• RQ2 在环境感知、决策支持与路径规划方面应用深度学习与强化学习有哪些增益？
• RQ3 基于图神经网络的路径规划器在启发式引导下是否能够实现对动态交通中的实时避障？

主要发现

• 图像识别准确率：98.5%，响应时间约45 ms。
• 实时目标跟踪与分类准确率：98.2%，响应时间约50 ms。
• 环境感知与决策支持准确率：97.8%，响应时间约60 ms。
• 路线规划与导航准确率：98.0%，响应时间约55 ms。
• 总体而言，系统在各模块中均表现出高准确性和毫秒级的响应能力。
• 仿真和真实世界数据支持深度学习在自主驾驶中的可行性与更广泛应用潜力。