Simulation-Based Performance Evaluation of 3D Object Detection Methods with Deep Learning for a LiDAR Point Cloud Dataset in a SOTIF-related Use Case

要約

意図した機能（SOTIF）の安全性は、センサーのパフォーマンスの制限と、自動運転システム（ADS）の意図された機能を確保するために、センサーのパフォーマンスの制限と深い学習ベースのオブジェクトの検出不足に対処します。
このペーパーでは、ソチフ関連のユースケースをシミュレートすることによって生成されたLIDAR Pointクラウドデータセットの3Dオブジェクト検出方法の適応性とパフォーマンス評価を調べる方法論を紹介します。
このペーパーの主な貢献には、21の多様な気象条件を備えたSOTIF関連のユースケースの定義とモデリング、3Dオブジェクト検出方法の適用に適したLIDAR Pointクラウドデータセットの生成が含まれます。
データセットは547フレームで構成されており、正午、日没、夜を含む、昼間の異なる時間に対応する、透明で曇りの雨のような気象条件を網羅しています。
MMDETection3DおよびOpenPCDETツールキットを採用して、平均精度（AP）と再オールメトリックを使用して生成されたデータセットの事前訓練を受けたディープラーニング（DL）モデルをテストすることにより、最先端（SOTA）3Dオブジェクト検出方法のパフォーマンスが評価され、比較されます。

要約(オリジナル)

Safety of the Intended Functionality (SOTIF) addresses sensor performance limitations and deep learning-based object detection insufficiencies to ensure the intended functionality of Automated Driving Systems (ADS). This paper presents a methodology examining the adaptability and performance evaluation of the 3D object detection methods on a LiDAR point cloud dataset generated by simulating a SOTIF-related Use Case. The major contributions of this paper include defining and modelling a SOTIF-related Use Case with 21 diverse weather conditions and generating a LiDAR point cloud dataset suitable for application of 3D object detection methods. The dataset consists of 547 frames, encompassing clear, cloudy, rainy weather conditions, corresponding to different times of the day, including noon, sunset, and night. Employing MMDetection3D and OpenPCDET toolkits, the performance of State-of-the-Art (SOTA) 3D object detection methods is evaluated and compared by testing the pre-trained Deep Learning (DL) models on the generated dataset using Average Precision (AP) and Recall metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google