齐鲁交通学院宋修广教授课题组在路面异常检测方面取得新进展

近日，齐鲁交通学院宋修广教授团队在自动驾驶障碍物检测研究方面取得重要进展。该团队针对语义分割方法在检测未定义路面障碍物方面的挑战，创新性地设计出了一种基于驾驶警觉性的增强框架（Driving Vigilance Enhancement Framework, DVEF）以提升编解码结构（Encoder Decoder Architecture, EDA)检测网络对异常目标的识别能力。相关成果以“Pixel-wise Anomaly Detection on Road by Encoder-Decoder Semantic Segmentation Framework with Driving Vigilance”为题，发表在COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING(中科院一区TOP期刊，五年影响因子:10.8)。齐鲁交通学院博士研究生刘轶鹏为论文第一作者，指导老师宋修广教授、吴建清教授为共同作者，山东大学齐鲁交通学院为该论文第一完成单位。

语义分割技术在应对未定义的异常道路障碍时展现出明显的局限性，这一瓶颈严重制约了自动驾驶技术在城市场景中的核心部署进程。因此，准确识别道路上的未知障碍物对于确保驾驶安全具有不可估量的价值。为了突破这一挑战，本研究从驾驶员对道路上意外障碍物的天然警觉性中汲取灵感，深入探索驾驶员注视点轨迹、注视密度及意外对象位置分布规律之间的内在联系，创新性的开发了一种基于该分布规律的数据增强方法，成功实现了对微调网络异常分布数据集的扩充，为异常检测能力的显著提升开辟了新路径。

在此基础上，宋修广教授团队创开创性地设计出了一种新的用于异常道路障碍物分割的驾驶警惕性增强框架（DVEF）。通过引入多尺度细节特征，提高了模型分类的准确性并增强异常检测在道路感兴趣区域的泛化能力。DVEF框架内的独特警惕性增强模块，作为其核心创新点之一，能够生成高度精准的警惕性得分图，这一机制有效激励了编解码结构网络将焦点集中在道路中潜在的未知障碍物区域，从而进一步提升了检测的敏锐度。利用改进的能量模型损失函数扩展了内部和异常像素的警戒分数，提高了原始异常道路障碍物检测网络的准确性。DVEF是一个被首次提出的统一异常检测框架，专注于提高已训练的编解码结构语义分割网络的异常检测和分割的性能。

COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING被公认为是土木工程与交通运输领域的TOP期刊，五年影响因子10.8。该期刊旨在作为计算机技术和土木与基础设施工程进展之间的桥梁，特别关注关于新型计算技术和计算机创新应用的原创文章，并促进新的和新兴的计算模式和技术的发展和应用。

该研究得到了国家重点研发计划、山东省泰山学者青年专家计划、山东大学齐鲁青年学者和济南市市校融合发展战略工程等项目的支持。