用于提升自动驾驶鲁棒性的像素级与对象级协同异常检测

《IEEE Aerospace and Electronic Systems Magazine》：Synergistic Pixel- and Object-Level Anomaly Detection for Robust Autonomous Driving

　　

摘要：

对于自动驾驶系统而言，检测意外障碍物是一项至关重要的安全要求。像素级异常检测能够实现精细定位，但往往会导致过多的误报；而物体级检测虽然能生成实用的边界框，但在空间精度方面可能不足。在实际应用中，视觉上较为复杂的背景（如植被、阴影和粗糙的纹理）常常引发误报，尤其是在非铺装路面上，这会导致虚假警报以及过于谨慎的驾驶行为。为了解决这些问题，本研究开发了一种名为“过度估计优化异常物体检测”（OR-AOD）的框架，该框架通过双向优化机制结合像素级和物体级的异常特征。在这一框架中，经过优化的像素级异常信息可引导物体检测的注意力，而物体检测的结果则可用于消除最终异常图中的由纹理引起的误报。OR-AOD框架利用基于负LogSumExp函数的过度估计图来提升检测灵敏度，同时采用轻量级的优化模块来规范背景区域的激活情况。该框架不仅能输出优化后的异常图，还能生成异常物体的边界框，从而为后续决策提供密集的异常特征和具体的物体信息。所提出的框架在LaF NoKnown和ObstacleTrack测试集上的测试结果显示，其精确率-召回率曲线下面积分别达到了86.9%（95%置信度下的误报率为0.9%）和90.2%，能够在降低误报的同时实现可靠的危险感知，非常适合用于对安全性要求极高的场景。