[發(fā)明專利]一種基于CARLA模擬器的目標檢測方法

在審

• 申請?zhí)枺?/td>: 202110413040.9
• 申請日: 2021-04-16
• 公開（公告）號: CN113095241A
• 公開（公告）日: 2021-07-09
• 發(fā)明（設(shè)計）人: 高偉華;唐嘉凱;王韜濤
• 申請（專利權(quán)）人: 武漢理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62;G06N3/04
• 代理公司: 北京百年育人知識產(chǎn)權(quán)代理有限公司 11968
• 代理人: 豐美玲

1.一種基于CARLA仿真的目標檢測方法，其特征在于，包括通過CARLA模擬器生成虛擬樣本數(shù)據(jù)訓練的目標檢測模型，其訓練方法為：

步驟S10，啟動CARLA模擬器，通過CARLA模擬器生成虛擬樣本數(shù)據(jù)；所述虛擬樣本數(shù)據(jù)為RGB相機采集的圖像；調(diào)用CARLA模擬器提供的RGB相機在不同路況、不同天氣狀況下采取豐富的具有差異性的圖像信息；

步驟S20，通過基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測算法，將從CARLA虛擬環(huán)境中獲取的圖像信息，構(gòu)建為具有訓練集、驗證集和測試集的數(shù)據(jù)集，訓練基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測模型；通過對基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測模型進行迭代訓練直至模型的損失函數(shù)值低于設(shè)定閾值或達到設(shè)定訓練次數(shù)，獲得訓練好的模型并保持模型參數(shù)，使用驗證集對得到的模型進行驗證和糾正，得到最終的目標檢測模型，最后利用測試集對模型進行測試得到指標信息；

步驟S30，將訓練好的目標檢測模型以代碼的形式應用于CARLA模擬器中，并對CARLA模擬器RGB相機傳回的圖像信息實時處理，實現(xiàn)汽車駕駛場景下的目標檢測。

2.根據(jù)權(quán)利要求1所述的一種基于CARLA仿真的目標檢測方法，其特征在于，步驟S10包括：

步驟S11，調(diào)用Python API，按照需求預先設(shè)置好天氣狀況和路況信息，調(diào)用CARLA模擬器中的RGB相機并對RGB相機進行相應的配置，將獲取的圖像信息按照指定的格式保存在本地；

步驟S12，運行CARLA模擬器，將編寫好的Python腳本作為客戶端運行；

步驟S13，將獲得的圖片利用圖片標注工具進行人工標注。

3.根據(jù)權(quán)利要求1所述的一種基于CARLA仿真的目標檢測方法，其特征在于，步驟S20包括：

步驟S21，訓練階段：

1)將訓練集作為輸入，通過卷積神經(jīng)網(wǎng)絡(luò)的多個卷積層和池化層進行特征提取；

2)通過卷積神經(jīng)網(wǎng)絡(luò)的全連接層對高層特征進行針對性的映射；

3)利用卷積神經(jīng)網(wǎng)絡(luò)的輸出層面向具體任務將神經(jīng)網(wǎng)絡(luò)作為分類器使用產(chǎn)生圖形類別的預測，實現(xiàn)特征分類，產(chǎn)生一維向量，得到特征圖像的類別，即目標檢測訓練結(jié)果，將該結(jié)果保存為權(quán)重數(shù)據(jù)；

4)重復2-4過程直到誤差小于等于期望值；

步驟S22，驗證階段：

1)將驗證集作為輸入，使用多個目標檢測模型對驗證集數(shù)據(jù)進行預測，并記錄模型準確率；

2)選出效果最佳的目標檢測模型所對應的參數(shù)，用于調(diào)整模型參數(shù)；

步驟S23，測試階段：

通過訓練集和驗證集得出最優(yōu)模型后，使用測試集作為輸入進行模型預測，用于衡量最優(yōu)目標檢測模型的性能和分類能力。

4.根據(jù)權(quán)利要求1所述的一種基于CARLA模擬器的目標檢測方法，其特征在于，步驟S30包括：

步驟S31，修改目標檢測算法代碼，將訓練好的目標檢測模型嵌入算法，并修改相應的API；

步驟S32，編寫Python腳本，配置所需駕駛環(huán)境，將修改后的目標檢測算法應用于CARLA傳感器的監(jiān)聽方法；

步驟S33，啟動CARLA模擬器作為服務器，運行Python腳本。