立体电视

异步合并对基于

摘要：为了确保服务质量和智能车辆的可靠和强大的操作，必须加深感知，位置和障碍物的阶段至关重要。的确，这些方面至关重要，因为它们提供了决策和预测模块甚至轨迹计划所需的数据。提出的论文涉及从立体电视摄像机，Lidar等不同方式的道路障碍检测系统的设计，而这些摄像机的设计很少或没有同步。在拟议的论文中，应将深度学习方法应用于通过融合多模态数据来构建3D对象检测体系结构。大多数现有的方法基于以下假设：数据完全同步，但是信息的数量和信息来源的增加越多，这些来源的同步约束就越难以尊重和保证，从而产生了对智能车辆安全性产生强大影响的科学锁定。在不同级别的深神经元网络的建筑中（早期，中间和/或迟到）在不确定性和信念的功能中融合，应确保在复杂且不利的条件下（缺乏照明，图像的饱和度），并弹性地在Cameras和Sensors的崩溃中建立强大的系统。