Robustness-Aware 3D Object Detection in Autonomous Driving: A Review and Outlook

要約

現代の自律走行の領域では、知覚システムは、周囲の環境の状態を正確に評価し、それによって情報に基づいた予測と計画を可能にするために不可欠である。このシステムの重要なステップは、LiDARやカメラなどの車両搭載センサーを利用して、近くにある物体のサイズ、カテゴリー、位置を特定する3D物体検出に関連しています。検出精度と効率を高めることを目的とした3D物体検出方法が急増しているにもかかわらず、環境変動、ノイズ、天候変化に対する耐性を体系的に検証した文献にはギャップがある。本研究では、実用的なシナリオにおける知覚システムの評価において、精度や待ち時間と並んで、ロバスト性の重要性を強調する。我々の研究では、カメラのみ、LiDARのみ、マルチモーダル3D物体検出アルゴリズムの広範な調査を行い、特にKITTI-CやnuScenes-Cのようなデータセットを用いて、精度、レイテンシ、ロバスト性のトレードオフを徹底的に評価し、公平な比較を行う。これらの中で、マルチモーダル3D検出アプローチは優れたロバスト性を示し、より明確にするために文献を再編成する新しい分類法を導入している。このサーベイの目的は、実世界のアプリケーションにおける3D物体検出アルゴリズムの現在の能力と制約について、より実用的な視点を提供することである。

要約(オリジナル)

In the realm of modern autonomous driving, the perception system is indispensable for accurately assessing the state of the surrounding environment, thereby enabling informed prediction and planning. The key step to this system is related to 3D object detection that utilizes vehicle-mounted sensors such as LiDAR and cameras to identify the size, the category, and the location of nearby objects. Despite the surge in 3D object detection methods aimed at enhancing detection precision and efficiency, there is a gap in the literature that systematically examines their resilience against environmental variations, noise, and weather changes. This study emphasizes the importance of robustness, alongside accuracy and latency, in evaluating perception systems under practical scenarios. Our work presents an extensive survey of camera-only, LiDAR-only, and multi-modal 3D object detection algorithms, thoroughly evaluating their trade-off between accuracy, latency, and robustness, particularly on datasets like KITTI-C and nuScenes-C to ensure fair comparisons. Among these, multi-modal 3D detection approaches exhibit superior robustness, and a novel taxonomy is introduced to reorganize the literature for enhanced clarity. This survey aims to offer a more practical perspective on the current capabilities and the constraints of 3D object detection algorithms in real-world applications, thus steering future research towards robustness-centric advancements.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL