An Efficient Approach to Generate Safe Drivable Space by LiDAR-Camera-HDmap Fusion

要約

この論文では、運転可能な空間を抽出するための自動運転車 (AV) 用の正確かつ堅牢な認識モジュールを提案します。
自動運転では認識が非常に重要です。多くの深層学習ベースの手法は、ベンチマーク データセットでは正確ですが、特に多様で予測不可能な環境では効果的に一般化できません。
私たちの取り組みでは、LiDAR、カメラ、HD マップ データの融合を活用し、あらゆる気象条件下で安全で信頼性の高い運転可能な空間を提供する、堅牢で一般化が容易な認識モジュールを導入しています。
障害物検出の信頼性を高めるために、HD マップ データと統合された適応型地面除去および縁石検出方法を紹介します。
さらに、降水ノイズに対して最適化された適応型 DBSCAN クラスタリング アルゴリズムと、校正の不一致に強いコスト効率の高い LiDAR カメラと錐台の関連付けを提案します。
当社の包括的な運転可能空間表現にはすべての知覚データが組み込まれており、車両の寸法や道路規制との互換性が保証されています。
このアプローチは、汎用性と効率性を向上させるだけでなく、自動運転車の運用における安全性も大幅に向上します。
私たちのアプローチは実際のデータセットでテストされ、その信頼性は当社の自動運転シャトル WATonoBus の毎日の運行 (厳しい雪の天候を含む) 中に検証されます。

要約(オリジナル)

In this paper, we propose an accurate and robust perception module for Autonomous Vehicles (AVs) for drivable space extraction. Perception is crucial in autonomous driving, where many deep learning-based methods, while accurate on benchmark datasets, fail to generalize effectively, especially in diverse and unpredictable environments. Our work introduces a robust easy-to-generalize perception module that leverages LiDAR, camera, and HD map data fusion to deliver a safe and reliable drivable space in all weather conditions. We present an adaptive ground removal and curb detection method integrated with HD map data for enhanced obstacle detection reliability. Additionally, we propose an adaptive DBSCAN clustering algorithm optimized for precipitation noise, and a cost-effective LiDAR-camera frustum association that is resilient to calibration discrepancies. Our comprehensive drivable space representation incorporates all perception data, ensuring compatibility with vehicle dimensions and road regulations. This approach not only improves generalization and efficiency, but also significantly enhances safety in autonomous vehicle operations. Our approach is tested on a real dataset and its reliability is verified during the daily (including harsh snowy weather) operation of our autonomous shuttle, WATonoBus

arxiv情報

提供元, 利用サービス

arxiv.jp, Google