【2022研电赛】兆易创新杯全国二等奖:自动驾驶汽车路面目标智能检测系 ...

发布网友 发布时间：2024-09-17 07:58

我来回答

共1个回答

热心网友 时间：2024-09-29 11:42

随着人工智能与计算机通信技术的不断发展，自动驾驶技术已经取得了显著进步。然而，在面对恶劣环境与恶劣天气时，自动驾驶汽车的性能仍面临挑战。为了提升自动驾驶汽车在这些极端条件下的识别能力，本文分享了我们的团队研发的智能检测系统。

我们设计了一种基于偏执补偿模型的自适应色阶算法，用于增强恶劣天气下图像的清晰度。同时，通过对YOLOv5算法进行优化，提高了目标识别率，mAP达到了94.7%，FPS为199.86。在实际应用中，我们建立了多源数据融合的决策模型，结合视觉相机和毫米波雷达信息，进一步提升了对目标的检测率。

实践证明，该技术在恶劣环境下能准确检测出目标车辆和行人，并满足实时性要求，显著减轻了恶劣天气对自动驾驶汽车的影响，从而保障了车辆人员的生命健康安全。

研究内容包括：建立深度学习算法的数据识别训练系统平台，设计基于偏执补偿模型的自适应色阶算法，改进YOLOv5算法，实现毫米波雷达与视觉相机的标定与融合，以及开发车载实时识别一体化平台。

我们的创新点在于设计了一种适应恶劣天气的偏执补偿模型的自适应色阶算法，一种基于注意力机制与Transformer改进的YOLOv5目标检测算法，以及多源数据融合的决策模型。通过实验，我们展示了改进后的算法在恶劣环境下的识别能力显著提升。

在滤波算法实现流程、滤波算法改进前后对比图、传感器融合平台搭建以及算法改进前后结果对比图中，可以直观地看到我们的技术在提升识别率方面的效果。

通过本文的研究，我们旨在提高自动驾驶汽车在恶劣环境下的识别能力，实现更安全、高效的自动驾驶。我们鼓励大家参与极术社区的活动，分享作品，共同推动技术进步，获取丰富电子礼品。

热心网友 时间：2024-09-29 11:34

随着人工智能与计算机通信技术的不断发展，自动驾驶技术已经取得了显著进步。然而，在面对恶劣环境与恶劣天气时，自动驾驶汽车的性能仍面临挑战。为了提升自动驾驶汽车在这些极端条件下的识别能力，本文分享了我们的团队研发的智能检测系统。

我们设计了一种基于偏执补偿模型的自适应色阶算法，用于增强恶劣天气下图像的清晰度。同时，通过对YOLOv5算法进行优化，提高了目标识别率，mAP达到了94.7%，FPS为199.86。在实际应用中，我们建立了多源数据融合的决策模型，结合视觉相机和毫米波雷达信息，进一步提升了对目标的检测率。

实践证明，该技术在恶劣环境下能准确检测出目标车辆和行人，并满足实时性要求，显著减轻了恶劣天气对自动驾驶汽车的影响，从而保障了车辆人员的生命健康安全。

研究内容包括：建立深度学习算法的数据识别训练系统平台，设计基于偏执补偿模型的自适应色阶算法，改进YOLOv5算法，实现毫米波雷达与视觉相机的标定与融合，以及开发车载实时识别一体化平台。

我们的创新点在于设计了一种适应恶劣天气的偏执补偿模型的自适应色阶算法，一种基于注意力机制与Transformer改进的YOLOv5目标检测算法，以及多源数据融合的决策模型。通过实验，我们展示了改进后的算法在恶劣环境下的识别能力显著提升。

在滤波算法实现流程、滤波算法改进前后对比图、传感器融合平台搭建以及算法改进前后结果对比图中，可以直观地看到我们的技术在提升识别率方面的效果。

通过本文的研究，我们旨在提高自动驾驶汽车在恶劣环境下的识别能力，实现更安全、高效的自动驾驶。我们鼓励大家参与极术社区的活动，分享作品，共同推动技术进步，获取丰富电子礼品。