Enhancing Lidar-based Object Detection in Adverse Weather using Offset Sequences in Time

要約

自動運転車では、安全かつ効率的に運転するために周囲を正確に認識する必要があります。
LIDAR ベースの物体検出は環境認識に広く使用されている方法ですが、そのパフォーマンスは雨や霧などの悪天候に大きく影響されます。
この研究では、LIDAR センサーによって生成された連続データ サンプルを処理することにより、LIDAR ベースの物体検出の堅牢性を強化するためのさまざまな戦略を調査します。
私たちのアプローチは時間情報を活用して、追加のフィルタリングや前処理ステップを必要とせずに、LIDAR 物体検出モデルを改善します。
私たちは、トレーニング中にシーケンスのフレーム間の時間オフセットを導入する新しい拡張戦略を含む点群シーケンスを処理する 10 ドルの異なるニューラル ネットワーク アーキテクチャを比較し、実験を通じて悪天候条件下での LIDAR 点群に対するすべての戦略の有効性を評価します。
私たちの研究は、nuScenes、Dense、Canadian Adverse Driving Conditions Dataset などの公開データセットを使用して評価された連続データを使用して、LIDAR ベースの物体検出の信頼性に対する悪天候の影響を軽減するための効果的な方法の包括的な研究を提供します。
私たちの調査結果は、シーケンス内のランダム化されたフレームスキップによる時間オフセットの拡張を含む新しい方法が、ベースラインモデル（ピラーベースのオブジェクト検出）と拡張なしの両方と比較してオブジェクト検出の精度を向上させることを示しています。

要約(オリジナル)

Automated vehicles require an accurate perception of their surroundings for safe and efficient driving. Lidar-based object detection is a widely used method for environment perception, but its performance is significantly affected by adverse weather conditions such as rain and fog. In this work, we investigate various strategies for enhancing the robustness of lidar-based object detection by processing sequential data samples generated by lidar sensors. Our approaches leverage temporal information to improve a lidar object detection model, without the need for additional filtering or pre-processing steps. We compare $10$ different neural network architectures that process point cloud sequences including a novel augmentation strategy introducing a temporal offset between frames of a sequence during training and evaluate the effectiveness of all strategies on lidar point clouds under adverse weather conditions through experiments. Our research provides a comprehensive study of effective methods for mitigating the effects of adverse weather on the reliability of lidar-based object detection using sequential data that are evaluated using public datasets such as nuScenes, Dense, and the Canadian Adverse Driving Conditions Dataset. Our findings demonstrate that our novel method, involving temporal offset augmentation through randomized frame skipping in sequences, enhances object detection accuracy compared to both the baseline model (Pillar-based Object Detection) and no augmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google