徐炜鹏 黄宏成 解仁浩

(上海交通大学机械与动力工程学院 上海 200240)

1 前言

随着自动驾驶研究的不断发展，利用仿真平台开发验证自动驾驶算法，已经成为大多数企业研发自动驾驶系统不可或缺的一部分。而得益于深度学习模型的强大性能，深度学习也越来越多和自动驾驶的相关任务相结合，比如利用深度学习去进行目标检测、跟踪，进行道路可行驶区域的语义分割等等。但这些强大、复杂的深度学习模型要想真正在自动驾驶领域落地还存在巨大的挑战。阻碍深度学习落地的问题主要有两个，一个是成本，导致了计算资源的限制，深度学习模型往往很复杂，参数很多，在进行训练或推理时需要大量的计算资源。另一个原因是深度神经网络的脆弱性[1]，神经网络容易受到攻击是一个普遍的现象，比如在图像领域里，当给神经网络输入的图片增加一个人为的微小扰动，模型在增加扰动前后的预测结果却可能截然不同，因此模型的安全性难以得到保证。针对上述的第一个问题，为了减少大模型占用的高额存储空间以及消耗的计算资源，模型压缩[2]是现在学术界和工业界的一个研究热点。上述的第二个问题截止目前还是一个开放性的问题，这几年不断有研究人员提出新的攻击方法和防御方法。

本文主要是针对自动驾驶中常见的目标检测任务，从模型压缩和对抗鲁棒性的角度去优化目标检测器，并将优化后的模型在开源的自动驾驶仿真平台Carla[3]上进行验证。……