使用仿真训练数据提升安全攸关场景中的交通信号灯分类效果

背景

交叉路口经常发生碰撞事故，通常是因为此处有两条或多条道路相互交错。诸如左转、穿过路口、右转之类的驾驶行为都可能引发冲突，从而导致碰撞事故。具体而言，美国国家公路交通安全管理局（NHTSA）发现，左转是最主要的碰撞前会发生的危险事件，其发生概率为22.2%（基于所有碰撞事故总数）。此外，在交叉路口转弯或穿过路口时发生的碰撞事故中，大约有61%涉及到左转。

为提高左转时的安全性，一种常用的做法是实施保护型左转：即会有一个专门的交通信号灯指示那些要左转的车辆进入交叉路口，并避免与其他司机和行人发生冲突。这里用到的是左转箭头信号灯相位。

随着高级驾驶辅助系统（ADAS）与自动驾驶系统（ADAS）不断增强他们执行自动驾驶任务的能力，对于训练这些系统识别和应对复杂交叉路口的需求方面面临着极其困难的巨大挑战。在保护型左转的案例中，该训练首先要确保感知系统的交通信号灯分类器能正确检测到对应的信号相位。然而，机器学习模型并不总是具备足够的训练数据，因为在真实场景中，车辆并没有机会像遇到其他情况（像是常亮红/黄/绿灯或者甚至是红色箭头灯）那样经常碰到这些关键信号相位。

本研究考察了通过仿真数据增强来实现类再平衡的方法对于保护型左转信号灯分类的影响，其中用到了Faster RCNN交通信号灯分类器。换而言之，我们能够
生成这些不太常见的交通信号灯相位仿真图像，并将它们添加到从真实场景中收集到的训练数据中。

以上内容来自由Cognata公司原创的白皮书，阅读全文可点击此处下载。Cognata是全球领先的大规模汽车模拟仿真平台提供商，致力于高级驾驶辅助系统 (ADAS) 和自动驾驶技术的研发。Cognata与世界领先的汽车技术公司合作，其所研发的端对端仿真平台为整个自动驾驶产品周期–从训练、测试到部署–提供仿真解决方案，并加快自动驾驶系统的上市时间.欲知更多信息，请访问官网：www.cognata.com