Synthesizing and Identifying Noise Levels in Autonomous Vehicle Camera Radar Datasets

要約

オブジェクトの検出と追跡は、自律的なナビゲーション法の重要なコンポーネントです。
過去数十年間、オブジェクト検出は、さまざまなデータセットでニューラルネットワークを使用して有望な結果をもたらしてきました。
多くの方法がパフォーマンスメトリックに焦点を当てていますが、これらの検出と追跡パイプラインの堅牢性の改善、特にセンサーの障害に焦点を当てたプロジェクトはほとんどありません。
この論文では、カメララーダー自律車両（AV）データセットの現実的な合成データ増強パイプラインを作成することにより、この問題に対処しようとします。
私たちの目標は、実際の干渉によるセンサーの障害とデータの悪化を正確にシミュレートすることです。
また、拡張データセットでトレーニングおよびテストされたベースラインの軽量ノイズ認識ニューラルネットワークの結果を示し、10086画像と2145レーダーポイントクラウドの11カテゴリで54.4 \％の全体的な認識精度に達します。

要約(オリジナル)

Detecting and tracking objects is a crucial component of any autonomous navigation method. For the past decades, object detection has yielded promising results using neural networks on various datasets. While many methods focus on performance metrics, few projects focus on improving the robustness of these detection and tracking pipelines, notably to sensor failures. In this paper we attempt to address this issue by creating a realistic synthetic data augmentation pipeline for camera-radar Autonomous Vehicle (AV) datasets. Our goal is to accurately simulate sensor failures and data deterioration due to real-world interferences. We also present our results of a baseline lightweight Noise Recognition neural network trained and tested on our augmented dataset, reaching an overall recognition accuracy of 54.4\% on 11 categories across 10086 images and 2145 radar point-clouds.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google