Robust Roadside Perception for Autonomous Driving: an Annotation-free Strategy with Synthesized Data

要約

最近、車両からインフラへの通信技術の急速な発展に伴い、協調運転のためのインフラベースの路側認識システムが注目を集めている分野となっています。
このペーパーでは、最も重要な課題の 1 つであるデータ不足の問題に焦点を当てます。
多様性が高く、高品質でラベル付けされた路側センサー データが不足しているため、現在の路側認識システムの堅牢性が低く、転送能力が低くなります。
この論文では、拡張現実と敵対的生成ネットワークを使用して合成トレーニング データを作成することで、この問題に対処する新しいアプローチを提案します。
この方法では、さまざまな天候や照明条件に対して堅牢な路側知覚検出器をトレーニングまたは微調整したり、新しい展開場所に適応したりできる合成データセットが作成されます。
Mcity 交差点と State St/Ellsworth Rd ロータリーの 2 つの交差点でアプローチを検証します。
私たちの実験では、(1) 合成データのみでトレーニングした場合、検出器はあらゆる条件で良好なパフォーマンスを達成できること、(2) ラベル付きデータでトレーニングされた既存の検出器のパフォーマンスは、過酷な条件での合成データによって強化できることがわかりました。

要約(オリジナル)

Recently, with the rapid development in vehicle-to-infrastructure communication technologies, the infrastructure-based, roadside perception system for cooperative driving has become a rising field. This paper focuses on one of the most critical challenges – the data-insufficiency problem. The lacking of high-quality labeled roadside sensor data with high diversity leads to low robustness, and low transfer-ability of current roadside perception systems. In this paper, a novel approach is proposed to address this problem by creating synthesized training data using Augmented Reality and Generative Adversarial Network. This method creates synthesized dataset that is capable of training or fine-tuning a roadside perception detector which is robust to different weather and lighting conditions, or to adapt a new deployment location. We validate our approach at two intersections: Mcity intersection and State St/Ellsworth Rd roundabout. Our experiments show that (1) the detector can achieve good performance in all conditions when trained on synthesized data only, and (2) the performance of an existing detector trained with labeled data can be enhanced by synthesized data in harsh conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google