基于YOLO的自动驾驶目标检测研究综述

摘要：自动驾驶是人工智能发展领域的一个重要方向，拥有良好的发展前景，而实时准确的目标检测与识别是保证自动驾驶汽车安全稳定运行的基础与关键。回顾自动驾驶和目标检测技术的发展历程，综述了YOLO算法在车辆、行人、交通标志、灯光、车道线等目标检测上的应用，同时对比分析了精确性与实时性等性能，阐述了自动驾驶目标检测研究领域将要面临的挑战、可能的解决方案和潜在的发展方向。
关键词：自动驾驶；目标检测；YOLO算法

交通是一个国家经济发展的重要基础产业。随着人们生活水平的提高，汽车已经成为人们日常出行的重要交通工具。据公安部统计，2021 年我国汽车保有量达3.02 亿辆[1]。但汽车提供方便的同时，全国的交通事故数量居高不下，据估计，90%的车祸是由人为失误造成的[2]。传统汽车驾驶需要驾驶者高度集中注意力，时刻注意周围环境的变换，然而疲劳、噪音、天气、心理等多方面因素都会影响驾驶者的判断，进而可能产生危险。作为未来汽车的发展方向，自动驾驶汽车拥有自主断
能力，能较大程度地减少人为失误。同时，自动驾驶汽车能更好地节能减排、减少污染[3]，有良好的应用前景。

为使自动驾驶汽车能够安全稳定地运行在道路上，对于参与道路交通的各类目标，如：车辆、行人、交通标志、灯光、车道线等，自动驾驶车辆都需要做出实时精确的检测以及判断。对实时目标的精准检测、识别并做出判断是保证其运行的基础与核心。
目前，国内外学者围绕自动驾驶技术做了不同领域的综述，邓伟文等综述了自动驾驶测试领域自动生成仿真场景的方法，吕品等综述了自动驾驶数据处理的边缘计算技术，Zamanakos 等对基于激光雷达的目标检测进行了综述。本文则围绕深度学习的YOLO系列算法在自动驾驶目标检测识别中的应用进行综述，并对其在提升实时检测的效率与精度方面做出相应的总结与展望。

1 自动驾驶简述

自动驾驶汽车中的自动驾驶系统是多技术融合的产物。所谓自动驾驶即通过多种车载传感器（如摄像头、激光雷达、毫米波雷达、GPS、惯性传感器等）来识别车辆所处的周边环境和状态，并根据所获得的环境信息（包括道路信息、交通信息、车辆位置和障碍物信息等）自主做出分析和判断，从而自主地控制车辆运动，最终实现自动驾驶。根据车辆的智能性程度，2021 年8 月20 日，工信部批准发布了GB/T 40429—2021《汽车驾驶自动化分级》标准。该标准将自动驾驶划分为L0~L5 等级，具体分级标准如表1 所示。
20 世纪80 年代，卡内基梅隆大学提出了最早的在结构化环境中驾驶的自动驾驶汽车项目，以及慕尼黑联邦大学提出高速公路驾驶项目。1986 年，全球第一辆由计算机驾驶的汽车NavLab1 诞生，1992 年，国防科技大学成功研制出中国第一辆无人驾驶汽车。此后，DARPA大挑战等项目不断推动自动驾驶的技术向前发展。
在学术界之外，汽车制造商和科技公司也开展了研究，开发自己的自动驾驶汽车。2000 年，美国通用汽车开发了一套自动碰撞预警/防止系统，夜视和后视报警系统的应用使得汽车具备L0 的应急辅助功能。各种高级驾驶辅助系统，如自适应巡航控制（adaptivecruise control，ACC）、车道保持辅助和车道偏离警告技术，为现代汽车提供了部分自主权，车辆进入L1 的部分驾驶辅助阶段；宝马、奔驰、大众、通用、特斯拉、上汽、吉利、小鹏等品牌汽车在2017 年基本都已实现L2 级别的整车落地与推广，该级别车辆一般搭载有的车道内自动驾驶、换道辅助、自动泊车功能；2020 年后，多款汽车（奔驰、通用、特斯拉、吉利、小鹏等）开始导入L3 与L4 级别以上的自动驾驶。但至今，L2 级别的汽车依然是企业商业化发展的重点。这些技术不仅提高了现代汽车的安全性，使驾驶变得更容易，而且还为完全自主的汽车铺平了道路。在自动驾驶技术中，提升环境的感知能力能提供更安全的运行环境。

2 面向自动驾驶的目标检测

2.1 评价指标

在介绍目标检测的算法之前，需要了解在目标检测中常用的评价指标。在判断分类的精度一般使用准确度（accuracy）、精确度（precision）、召回率（recall rate）、AP（average precision）、mAP（mean average precision）等，在判断定位的精度一般使用交并比（intersectionover union，IoU），在判断运行的速度时一般采用FPS（frames per second）。
假定待分类目标只有正例（positive）和负例（negative）两种，则有以下四个指标：（1）TP（true positive），被正确识别成正例的正例；（2）FP（false positive），被错误识别成正例的负例；（3）