[发明专利]一种基于多任务神经网络的汽车可行驶区域规划方法

说明书

本发明请求保护一种基于多任务神经网络的汽车可行驶区域规划方法，涉及深度学习、计算机视觉、辅助驾驶、图像处理等领域。首先本发明基于硬参数共享机制构建具有语义分割与目标检测两种功能的轻量级多任务神经网络；其次根据网络输出格式，制作训练集与构建相应的损失函数数学模型；再次对网络进行训练，使用本发明提出的损失函数数学模型进行反向传播优化网络参数；最后将多任务神经网络应用于汽车可行驶区域规划中。本发明的多任务神经网络不但具有车道分割功能，还具有车辆、行人检测功能，通过单目测距可以起到汽车防碰撞预警功能，减少汽车发生碰撞的概率。

技术领域

本发明属于深度学习、计算机视觉、辅助驾驶、图像处理等领域，具体涉及一种应用于汽车可行驶区域规划的多任务神经网络。

背景技术

随着深度学习的发展，自动驾驶技术越来越成熟，一些公司已经生产出部分自动驾驶汽车，并上路测试，然而自动驾驶在环境感知领域仍然存在一些问题。自动驾驶中的环境感知需要分割车道并判断哪条车道为可行驶车道，以及检测前方车辆和行人等目标，防止发生碰撞。分割车道与检测目标属于两种不同的功能，分别是语义分割与目标检测。在车载芯片中同时运行语义分割与目标检测神经网络，会消耗车载芯片大量的计算资源，并对其他功能产生影响。

综上所述，现有技术存在的问题是：多种神经网络同时运行在一块车载芯片中，会对芯片产生极大的负荷并消耗大量的计算资源。

解决上述技术问题的难题：

根据现有的轻量级神经网络，构建出一种轻量级并包含语义分割和目标检测功能的多任务神经网络。

与本发明最接近的是对比文件CN1111178253A，本申请涉及一种自动驾驶的视觉感知方法、装置、计算机设备和存储介质所述方法包括：获取采集的视觉感知图像；将所述视觉感知图像输入训练好的多任务神经网络的主干网络，通过所述主干网络提取所述视觉感知图像的共享特征，得到共享特征图；将所述共享特征图分别输入所述多任务神经网络中的各分支网络，各所述分支网络基于所述共享特征图分别进行对应的任务的分类，输出相应任务的分类结果；根据预设视觉感知目标，提取对应任务的分类结果进行融合，得到视觉感知结果，所述视觉感知结果包括车道线信息、路面标志信息、通行区域路况信息和路面障碍物信息中的至少一种。采用本方法能够提高视觉感知的精度。

首先，文件CN1111178253A对应用在自动驾驶上的多任务神经网络只是一个笼统的概括性介绍，在他文件中的一些步骤流程，都是一些很宽泛的概括性流程，并不具有指导意义和现实意义；然后，应该选用何种网络，以及多网络之间如何组合连接也没有提交描述；其次，损失函数如何构建，选用什么损失函数也没有描述，也是一个简单线性加权求和；最后在文件CN1111178253A中提及的多任务神经网络，具有过多的任务分支，过多的任务分支会造成两点问题：1.难以训练，每个任务之间都有自己的独有属性，如果只使用简单的线性加权求和损失函数，个人任务网络并不能训练成功；2.参数过多，任务分支多，总网络的参数量就会增加，计算量相应也会增加，这样网络的计算速度就会非常慢，就无法达到实时要求，不具有实用价值，例如mask-rcnn，该网络仅具有两个任务分支，网络的检测速度就比较慢啦。

首先，本发明中的多任务神经网络，具有详细的网络结构图，可以复现，检测精度经过试验验证，可以达到辅助驾驶要求；其次本发明中的多任务神经网络速度很快，经过试验验证可以达到20FPS以上，可以满足辅助驾驶的需求；然后，本文是基于YOLO网络并结合DenseNet与PSPNet网络进行改进的；最后本发明为了使网络能够快速收敛，特提出一种新的损失函数，经过试验验证可以有效加快网络收敛速度。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于多任务神经网络的汽车可行驶区域规划方法。本发明的技术方案如下：

一种基于多任务神经网络的汽车可行驶区域规划方法，其包括以下步骤：