YOLO-TKD:用于自动驾驶的轻量化时序交互信号检测模型OA

在自动驾驶的感知任务中,准确理解交通参与者发出的交互信号是实现安全拟人化决策的关键。当前高精度模型难以实现实时交互信号检测,且普遍缺乏对转向灯闪烁、行人手势等动态时序信号的有效建模,导致复杂场景下漏检误判频繁发生,构成安全隐患。为此,提出一种面向自动驾驶边缘设备的轻量-时序-蒸馏协同优化框架模型,即轻量化时序知识蒸馏YOLO(YOLO-TKD),旨在解决交互信号检测中时序建模需求与计算资源受限的矛盾。该模型以YOLOv8n为基线,首先采用MobileNetV2作为主干网络以压缩模型规模;继而引入时序卷积网络模块(TCN),捕捉连续帧之间的动态依赖关系;最后,结合知识蒸馏策略(KD),保持其识别性能。实验结果表明,本方法的精确率、召回率和平均精度均值分别达到87.5%、86.4%和84.3%,相较于基线YOLOv8n分别提升了3.2%、2.6%和1.1%。同时,模型参数量减少26.3%。所提YOLO-TKD在显著降低资源消耗的同时,有效提升了交互信号检测的精度与时序鲁棒性,为自动驾驶边缘设备提供了可行的技术路径。