基于改进视觉算法的自动驾驶风险预判模型

来源：交通运输系统工程与信息杂志2024年第5期北京时间：

作者：赵红专, 张继康, 潘佳雯, 袁泉, 许恩永, 魏金占, 周旦, 刘承堃

单位：1. 桂林电子科技大学，广西智慧交通重点实验室，广西 桂林 541004；2. 东风柳州汽车有限公司，商用车技术中心，广西 柳州 545000；3. 桂林电子科技大学，南宁研究院，南宁 530000；4. 清华大学，车辆与运载学院，北京 100084；5. 桂林航天工业学院，电子信息与自动化学院，广西 桂林 541004

摘要：针对传统车辆切入过近导致自动驾驶产生脱离的问题，本文提出一种YOLOV7-Tiny (YouOnly Look Once Version 7 Tiny)和 SS-LSTM(Strong Sort Long Short Term Memory)的自动驾驶风险预判模型。首先，模型改进了视觉目标检测模型YOLOV7-Tiny，增加小目标检测层；其次，引入SimAM (A Simple, Parameter-Free Attention Module for Convolutional Neural Networks)无参注意力机制模块，优化训练损失函数，并对其目标车辆进行轨迹跟踪及预测，通过改进的多目标跟踪算法 StrongSORT(Strong Simple Online and Realtime Tracking)的短期预测不断矫正 LSTM(Long Short Term Memory)的长期预测，即建立SS-LSTM模型，并将预测的超车轨迹与智能网联车自身轨迹在同一时间纬度下进行拟合，得到传统车辆切入时的风险预判模型。实验结果表明，本文的自动驾驶风险预判方法有效预判了传统车辆切入时的风险。仿真实验表明，改进YOLOV7-Tiny相比于原有算法 mAP(mean Average Precision)提高了 2.3 个百分点，FPS(Frames Per Second)为61.35 Hz，模型大小为12.6 MB，模型满足车载端轻量化的需求。实车实验表明，根据SS-LSTM模型所得到的风险预判准确率为90.3%。

关键词：交通工程,风险预判,YOLOV7-Tiny,自动驾驶,长短期记忆网络,轨迹预测

基金资助：国家自然科学基金(52362045, 52072214)；广西科技重大专项(桂科AA22068101)。