[发明专利]一种基于CARLA模拟器的目标检测方法

说明书

一种基于CARLA仿真的目标检测方法，主要解决现有自动驾驶中目标检测研究成本高、精度差、速度慢，无法应对复杂路况的问题，其实现方案是：通过调用CARLA模拟器提供的传感器采取图像信息，生成用于训练目标检测模型的大量训练样本，然后将这些图像作为目标检测算法的训练集、验证集以及测试集；通过训练基于卷积神经网络的目标检测算法得到模型，进行验证改善模型参数，重复过程得到最终模型，并测试得到最终模型的相关指标信息，最后将目标检测模型应用在CARLA模拟器中，以实现自动驾驶中精度高、速度快，高效稳定的目标检测。

技术领域

本发明涉及自动驾驶仿真平台设计技术领域，特别涉及一种基于CARLA仿真的目标检测方法。

背景技术

近年来，汽车电子化和高级辅助驾驶系统得到了长足的发展，而自动驾驶作为辅助驾驶技术的高级阶段，必定会成为未来人们出行的重要方式。环境感知、精确定位、路径规划和线控执行是自动驾驶技术的四个关键部分，其中环境感知技术为其它关键技术提供数据支撑。环境感知技术主要负责完成车辆周围环境信息采集和目标检测工作，为自动驾驶汽车的安全行驶提供可靠的决策依据，同时也是实现自动驾驶的基础。因此，环境感知技术对于自动驾驶具有重要的意义。目标检测是通过给定的图像，返回图片或视频中指定目标比如行人、车辆、交通指示灯等的具体位置和大小，是许多视觉任务的前提和基础。由此可见，目标检测是环境感知的核心技术，具有重要的研究价值。

目前对于自动驾驶中的目标检测研究主要基于实际的自动驾驶汽车，但这种研究方法存在着一些不可避免的缺陷。首先，研究自动驾驶中的目标检测要根据汽车驾驶场景训练模型，然后将模型应用于自动驾驶汽车的传感器，在封闭实验环境中测试其检测目标的性能，最终在公共道路上进行测试。但基于实际自动驾驶汽车的目标检测研究需要消耗大量的人力、物力和时间，且都具有相当高的难度。其次，为了实现目标检测的最佳精度要求，目标检测还要在不同驾驶场景、不同天气状况下进行研究，尤其要在极端恶劣天气、复杂路况下测试其性能，然而在现实中模拟这样的环境非常困难。这就要求找到一种方便快捷、成本低、可行性高的方法用于研究自动驾驶中的目标检测技术。

发明内容

为了克服上述现有技术存在的不足，本发明的目的在于提供一种基于CARLA仿真的目标检测方法，用于提高自动驾驶中目标检测的的精度和速度，从而更好的应对复杂路况。

为实现上述目的，本发明提供如下技术方案：

一种基于CARLA仿真的目标检测方法，包括通过CARLA模拟器生成虚拟样本数据训练的目标检测模型，其训练方法为：

步骤S10，启动CARLA模拟器，通过CARLA模拟器生成虚拟样本数据；所述虚拟样本数据包括CARLA模拟器中的RGB相机得到的图像；调用CARLA模拟器提供的相机在不同路况、不同天气状况下采取丰富的具有差异性的图像信息；

步骤S20，通过基于卷积神经网络的目标检测算法，将从CARLA虚拟环境中获取的图像信息，构建为具有训练集、验证集和测试集的数据集，训练基于卷积神经网络的目标检测模型；通过对基于卷积神经网络的目标检测模型进行迭代训练直至模型的损失函数值低于设定阈值或达到设定训练次数，获得训练好的模型并保持模型参数，使用验证集对得到的模型进行验证和纠正，得到最终的目标检测模型，最后利用测试集对模型进行测试得到指标信息；

步骤S30，将训练好的目标检测模型以代码的形式应用于CARLA模拟器中，并对CARLA模拟器RGB相机传回的图像信息实时处理，实现汽车驾驶场景下的目标检测。

进一步地，所述步骤S10包括：

步骤S11，调用Python API，按照需求预先设置好天气状况和路况信息，调用CARLA模拟器中的RGB相机并对RGB相机进行相应的配置，将获取的图像信息按照指定的格式保存在本地；

步骤S12，运行CARLA模拟器，将编写好的Python脚本作为客户端运行；