Die Entwicklung autonomer Fahrzeuge (AVs) hat die Transportbranche revolutioniert und verspricht, die Mobilität zu steigern, den Verkehr zu verringern und die Sicherheit auf den Straßen zu erhöhen. Die Komplexität der Fahrumgebung und die Anforderung an die Echtzeitverarbeitung großer Mengen an Sensordaten stellen jedoch ernsthafte Schwierigkeiten für AV-Systeme dar. Verschiedene Ansätze der Computer Vision, wie Objekterkennung, Spurenerkennung und Verkehrsschilderkennung, wurden von Forschern untersucht, um diese Probleme zu überwinden. Diese Forschung präsentiert einen integrierten Ansatz zur Wahrnehmung autonomer Fahrzeuge, der die Echtzeit-Objekterkennung, semantische Segmentierung und Klassifikation innerhalb einer vereinheitlichten tiefen Lernarchitektur kombiniert. Unser Ansatz nutzt die Stärken bestehender Frameworks, einschließlich der Echtzeit-semanti schen Schlussfolgerungsfähigkeiten von MultiNet, den schnellen Kodierungsmethoden von PointPillars zur Identifizierung von Objekten aus Punktwolken sowie dem zuverlässigen einstufigen monokularen 3D-Objekterkennungssystem. Das angebotene Modell versucht, die rechnerische Effizienz und Genauigkeit zu verbessern, indem es einen gemeinsamen Encoder und aufgabenspezifische Decoder verwendet, die Klassifikation, Erkennung und Segmentierung gleichzeitig durchführen. Die Architektur wird an herausfordernden Datensätzen evaluiert, die außergewöhnliche Erfolge in Bezug auf Geschwindigkeit und Genauigkeit aufzeigen, geeignet für Echtzeitanwendungen im autonomen Fahren. Diese Integration verspricht erhebliche Fortschritte in den Wahrnehmungssystemen autonomer Fahrzeuge und bietet tiefgehende Kenntnisse über die Umgebung des Fahrzeugs durch effiziente Konzepte von tiefen Lerntechniken. In unserem Modell verwendeten wir Yolov8, MultiNet, und während des Trainings erzielten wir eine Genauigkeit von 93,5 %, eine Präzision von 92,7 %, eine Trefferquote von 82,1 % und einen mAP von 72,9 %.
Aher et al. (Mi,) haben diese Frage untersucht.