Energy-based Detection of Adverse Weather Effects in LiDAR Data

要約

自動運転車は、LiDAR センサーを利用して環境を認識します。
雨、雪、霧などの悪天候はこれらのセンサーに悪影響を及ぼし、測定に不要なノイズが発生して信頼性が低下します。
この研究では、LiDAR データにおける悪天候の影響を検出するための新しいアプローチを提案することで、この問題に取り組みます。
この問題を外れ値検出タスクとして再定式化し、エネルギーベースのフレームワークを使用して点群内の外れ値を検出します。
より具体的には、私たちの方法は、低いエネルギー スコアを内側のポイントと関連付け、高いエネルギー スコアを外れ値と関連付けることを学習し、悪天候の影響を確実に検出できるようにします。
広範な実験により、私たちの方法は悪天候の検出において優れたパフォーマンスを発揮し、目に見えない天候の影響に対する堅牢性が以前の最先端の方法よりも高いことを示しました。
さらに、私たちの方法を使用して外れ値検出とセマンティック セグメンテーションを同時に実行する方法を示します。
最後に、悪天候時の LiDAR 認識の研究分野の拡大を支援するために、高速道路のようなシナリオでのラベル付き車両スプレー データを含む SemanticSpray データセットをリリースします。

要約(オリジナル)

Autonomous vehicles rely on LiDAR sensors to perceive the environment. Adverse weather conditions like rain, snow, and fog negatively affect these sensors, reducing their reliability by introducing unwanted noise in the measurements. In this work, we tackle this problem by proposing a novel approach for detecting adverse weather effects in LiDAR data. We reformulate this problem as an outlier detection task and use an energy-based framework to detect outliers in point clouds. More specifically, our method learns to associate low energy scores with inlier points and high energy scores with outliers allowing for robust detection of adverse weather effects. In extensive experiments, we show that our method performs better in adverse weather detection and has higher robustness to unseen weather effects than previous state-of-the-art methods. Furthermore, we show how our method can be used to perform simultaneous outlier detection and semantic segmentation. Finally, to help expand the research field of LiDAR perception in adverse weather, we release the SemanticSpray dataset, which contains labeled vehicle spray data in highway-like scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google