Benchmarking the Robustness of LiDAR Semantic Segmentation Models

要約

自律走行などのセーフティクリティカルなアプリケーションにLiDARセマンティックセグメンテーションモデルを使用する場合、広範囲のLiDAR破損に対するロバスト性を理解し改善することが重要である。本論文では、様々な破損に対するLiDARセマンティックセグメンテーションモデルのロバスト性を包括的に分析することを目的とする。このベンチマークは、悪天候、計測ノイズ、デバイス間の不一致という3つのグループからなる16の領域外LiDAR破損を特徴としています。次に、11種類のLiDARセマンティックセグメンテーションモデルについて、特に異なる入力表現（点群、ボクセル、投影画像など）、ネットワークアーキテクチャ、学習スキームについて系統的に調査する。この研究を通して、我々は2つの知見を得た。1) 入力表現がロバスト性において重要な役割を果たすことがわかった。具体的には、特定の破損の下では、異なる表現が様々な性能を発揮することがわかった。2) LiDARセマンティックセグメンテーションに関する最新の手法は、クリーンなデータに対しては有望な結果をもたらすが、ノイズの多いデータを扱う場合には、ロバスト性に劣ることが分かった。最後に、上記の考察に基づいて、我々は頑健なLiDARセグメンテーションモデル（RLSeg）を設計し、簡単かつ効果的な修正で頑健性を大幅に向上させる。我々のベンチマーク、包括的な分析、考察は、セーフティクリティカルなアプリケーションのためのロバストLiDARセマンティックセグメンテーションの将来の研究を後押しすることができると期待される。

要約(オリジナル)

When using LiDAR semantic segmentation models for safety-critical applications such as autonomous driving, it is essential to understand and improve their robustness with respect to a large range of LiDAR corruptions. In this paper, we aim to comprehensively analyze the robustness of LiDAR semantic segmentation models under various corruptions. To rigorously evaluate the robustness and generalizability of current approaches, we propose a new benchmark called SemanticKITTI-C, which features 16 out-of-domain LiDAR corruptions in three groups, namely adverse weather, measurement noise and cross-device discrepancy. Then, we systematically investigate 11 LiDAR semantic segmentation models, especially spanning different input representations (e.g., point clouds, voxels, projected images, and etc.), network architectures and training schemes. Through this study, we obtain two insights: 1) We find out that the input representation plays a crucial role in robustness. Specifically, under specific corruptions, different representations perform variously. 2) Although state-of-the-art methods on LiDAR semantic segmentation achieve promising results on clean data, they are less robust when dealing with noisy data. Finally, based on the above observations, we design a robust LiDAR segmentation model (RLSeg) which greatly boosts the robustness with simple but effective modifications. It is promising that our benchmark, comprehensive analysis, and observations can boost future research in robust LiDAR semantic segmentation for safety-critical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL