【技术实现步骤摘要】
一种考虑不确定性的自动驾驶概率目标检测方法
[0001]本专利技术涉及自动驾驶
，具体为一种考虑不确定性的自动驾驶概率目标检测方法。
技术介绍
[0002]获取感知模型检测结果的不确定性是实现安全自动驾驶的必要条件。尽管近年来感知技术取得了较大的进步，但在一些复杂、非结构化的驾驶环境中，例如在夜间或大雪、大雨、大雾等极端天气行驶，RGB图片质量将大幅下降，在人车混行的复杂道路交叉口目标检测难度较大，感知模块仍然有较大概率做出错误预测。获取感知不确定性能够反应感知模型的预测置信度或者传感器噪声，为决策层提供相关信息并帮助自动驾驶汽车及时采取相应的反应，从而减小目标检测算法因预测置信度过高造成交通事故的概率同时，同时感知不确定性信息能够帮助人类更好地解释自动驾驶汽车的意图，并增强对自动驾驶技术的信任度。从2021年到2022年美国境内装载有L2级别自动驾驶算法的汽车共发生392起事故，其中目标检测算法预测置信度过高是事故发生的一个重要原因。随着机器学习方法被越来越广泛应用解决安全关键性计算机视觉问题，通过不确定性估计来提高...
【技术保护点】
【技术特征摘要】
1.一种考虑不确定性的自动驾驶概率目标检测方法，其特征在于：包括如下步骤：步骤1：基于MC
‑
Drop的概率目标检测模型构建，将MC
‑
Drop方法与YOLOv5模型结合，并为MC
‑
Drop方法引入缓存机制；改进后的概率目标检测模型分为两部分：第一部分为首个Dropout层之前的网络Cache，第二部分为首个Dropout层及其之后的网络Last；通过在图片传入M
‑
YOLOv5模型后，模型运行一次Cache网络，运行十次Last网络进行采样，通过计算平均值得到可视化的检测结果，通过十次采样结果计算预测框坐标的协方差矩阵代表预测框位置的不确定程度；步骤2：基于PDQ的概率目标检测模型质量评估，通过检测器输出的各个类得分计算标签不确定性质量，通过步骤一输出的协方差矩阵计算预测框位置不确定性质量，两者结合可以计算出PDQ得分；步骤3：概率目标检测模型敏感性分析，对Dropout层数量、添加位置及Dropout概率进行敏感性分析；首先保持Dropout概率不变，对Dropout层数量以及添加位置进行敏感性分析；其次保持添加Dropout层位置不变，对Dropout数量以及Dropout率进行敏感性分析。2.根据权利要求1所述的一种考虑不确定性的自动驾驶概率目标检测方法，其特征在于：所述步骤1中，以YOLOv5
‑
6.0模型为基础，向其中添加Dropout层以引入随机性；YOLOv5模型有三级检测头对应三种不同的分辨率，公开的M
‑
YOLOv5算法在YOLOv5每级检测头的C3模块后加入一个Dropout率为10％的Dropout层；在每级检测头的末尾加入Dropout层的方式与在骨干网络或者检测头中间模块增加Dropout相比，能够保证模型有一个完整的采样过程，从而保证模型预测的准确性；同时减少Dropout层之后的网络结构，能够降低采样过程消耗的时间，保证模型的实时性；在每级检测...
【专利技术属性】
技术研发人员：赵睿，王骙，高镇海，高菲，张天瑶，
申请(专利权)人：吉林大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。