邹斌，王思信，颜莉蓉，刘裕

(1.现代汽车零部件技术湖北省重点实验室(武汉理工大学)，湖北武汉430070;2.汽车零部件技术湖北省协同创新中心， 湖北武汉430070)

0 引言

近年来，随着软硬件的进步，无人驾驶技术飞速发展。对于无人驾驶车辆来说，对障碍物的准确检测对车辆安全行驶至关重要[1]。随着深层卷积神经网络的发展，语义分割技术在无人驾驶环境感知领域特别是障碍物检测的应用越来越广泛[2]。对无人驾驶车辆而言，道路上的行人、车辆、骑自行车的人都可以看作是“障碍物”，它们对无人车的安全行驶有着巨大的影响。基于卷积神经网络的语义分割技术可以对这些障碍物进行像素级的检测识别，可以为无人车的决策、规划及控制提供环境信息。

基于卷积神经网络的语义分割主体框架主要有VGGNet和ResNet两种框架，基于VGGNet的语义分割模型有FCN、SegNet[3]、U-Net[4]、DeepLab[5]等，基于ResNet的语义分割模型有PSPNet[6]、ICNet[7]、DeepLab V3++[8]等。鉴于ResNet网络的结构特点，基于ResNet框架的语义分割网络层数较多，网络结构复杂，对硬件设施的性能要求较高。基于VGGNet框架的语义分割网络相比基于ResNet框架的语义分割网络要简单得多，但往往还是达不到实时性的要求。对于无人驾驶汽车来说，系统的实时性至关重要，同时还要兼顾分割结果的准确性。

本文受上述语义分割模型的启发，同时为满足无人车对实时性和准确性的要求，提出了一种轻量级语义分割模型用于进行障碍物检测。该模型在下采样阶段可以大大减少模型计算量，同时还能有效的提取图像特征。……