摘要
在自动驾驶系统中,确保车道线检测既可靠又精确,是一项至关重要但同时又极具挑战性的工作。当前,基于深度学习的方法在车道线检测领域展现了卓越的性能,然而在夜晚、道路弯曲等复杂场景下,仍然很难准确检测车道。针对这一问题,提出了IncrPID-ATTNet模型,它是一种将增量式PID和注意力机制与深度神经网络(DNN)相结合的模型。首先,借鉴增量式PID控制算法思想改进优化器,加快复杂场景下网络模型收敛的速度,并提升车道检测的性能。其次,为了解决在遮挡、车道丢失等情况下局部特征存在局限性,从而导致车道线检测精度偏低的问题,引入了一种新型注意力机制来聚合全局信息。该模型在具有挑战性场景的车道线检测数据集CULane中,兼顾了准确性和速度。其车道线检测速度比最先进方法的检测速度快约2.16倍,可达到379.2帧/s的良好性能,在夜晚、道路弯曲等复杂场景下其F1分数也优于最先进的方法。
出处
《物联网技术》
2025年第9期11-15,共5页
Internet of things technologies
