因为自动驾驶系统产生的数据量以及运算消耗量巨大,其对硬件平台的性能提出了较高的要求。例如,目前对目标检测算法的研究主要致力于提升目标检测算法在完全理想情况下的速度和准确度,因而导致研究成本上升。因此,本文提出了一种基于机器人操作系统的低成本自建无人车方案,能够以较低的成本提供进行自动驾驶研究所需要的基本传感器设备和计算能力。基于该平台,本文进行了算力受限场景下目标识别算法的改进以及室内环境下端到端自动驾驶的相关研究工作。本文引入了深度可分离卷积操作,对目前主流的SSD算法进行改进。改进算法降低其卷积层中的参数量,从而提升网络在低算力平台上的运算速度、降低预测延迟。其次,本文舍弃了SSD算法中多个特征图中较大尺寸特征图,以牺牲部分小尺寸物体的检测性能换取在低算力平台上的检测速度的提升。实验结果表明,本文改进后的SSD模型在该平台下的预测延迟降低了约三分之二,而检测置信度平均下降仅约10%。本文还探讨了基于该平台进行室内环境下端到端自动驾驶的问题。本文基于Nvidia研究团队的相关工作,引入带洞卷积和深度可分离卷积,提出了一种扩展感受野的轻量化深度神经网络模型。在保证满足低算力平台能耗比的要求下,通过增大浅层网络的感受野,提升模型对室内环境的整体感知能力。实验结果表明,本文改进后的模型在室内环境下能更好地分离、识别重复性较高的物体,连续巡航的总体受控率约为97.8%,相比Nvidia研究团队的初始模型约提升了8.7%。与此同时,模型的收敛速度也较原模型有提升。