Detecting the Anomalies in LiDAR Pointcloud

要約

LiDAR センサーは、最新の自動運転システムの認識スタックにおいて重要な役割を果たしています。
雨、霧、塵などの悪天候や、（時折）LiDAR ハードウェアの障害が原因で、LiDAR が散乱ノイズ ポイントや異常な強度値などの異常なパターンを持つ点群を生成することがあります。
この論文では、点群の特性を分析することで、LiDAR が異常な点群を生成しているかどうかを検出する新しいアプローチを提案します。
具体的には、点群のノイズ レベルを特徴付けるために、LiDAR ポイントの空間分布と強度分布に基づいて点群品質メトリクスを開発します。これは純粋な数学的分析に依存しており、学習ベースの方法のようにラベル付けやトレーニングを必要としません。
したがって、この方法はスケーラブルであり、オンラインで LiDAR データの異常を監視して自律走行の安全性を向上させることも、オフラインで大量のデータに対する LiDAR の動作の詳細な調査を実行することもできます。
提案されたアプローチは、さまざまなスキャン機構とレーザースペクトルを備えた LiDAR によって収集された広範な実際の公道データを使用して研究されており、さまざまな既知および未知の点群異常の原因に効果的に対処できることが証明されています。

要約(オリジナル)

LiDAR sensors play an important role in the perception stack of modern autonomous driving systems. Adverse weather conditions such as rain, fog and dust, as well as some (occasional) LiDAR hardware fault may cause the LiDAR to produce pointcloud with abnormal patterns such as scattered noise points and uncommon intensity values. In this paper, we propose a novel approach to detect whether a LiDAR is generating anomalous pointcloud by analyzing the pointcloud characteristics. Specifically, we develop a pointcloud quality metric based on the LiDAR points’ spatial and intensity distribution to characterize the noise level of the pointcloud, which relies on pure mathematical analysis and does not require any labeling or training as learning-based methods do. Therefore, the method is scalable and can be quickly deployed either online to improve the autonomy safety by monitoring anomalies in the LiDAR data or offline to perform in-depth study of the LiDAR behavior over large amount of data. The proposed approach is studied with extensive real public road data collected by LiDARs with different scanning mechanisms and laser spectrums, and is proven to be able to effectively handle various known and unknown sources of pointcloud anomaly.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google