Detection of Condensed Vehicle Gas Exhaust in LiDAR Point Clouds

要約

自動運転アプリケーションで使用されるLiDARセンサーは、悪天候の影響を受けます。
一般的ですが、十分に研究されていない効果の1つは、寒冷時の車両のガス排気ガスの凝縮です。
この日常的な現象は、LiDAR測定の品質に深刻な影響を与える可能性があり、ゴーストオブジェクトの検出などのアーティファクトを作成することにより、環境の認識の精度が低下します。
文献では、雨や霧などの悪天候の影響のセマンティックセグメンテーションは、学習ベースのアプローチを使用して実現されています。
ただし、このような方法では、ラベル付けされたデータの大規模なセットが必要であり、取得するのに非常に費用がかかり、手間がかかる可能性があります。
凝縮した車両のガス排気を検出するための2段階のアプローチを提示することにより、この問題に対処します。
まず、シーン内の各車両の排出エリアを特定し、ガス排気が存在する場合はそれを検出します。
次に、ガス排気が存在する可能性が高い空間の領域を時間の経過とともにモデル化することにより、孤立した雲が検出されます。
私たちは実際の都市データで私たちの方法をテストし、私たちのアプローチがさまざまなシナリオでガス排気を確実に検出できることを示し、オフラインの事前ラベル付けやゴーストオブジェクト検出などのオンラインアプリケーションに魅力的です。

要約(オリジナル)

LiDAR sensors used in autonomous driving applications are negatively affected by adverse weather conditions. One common, but understudied effect, is the condensation of vehicle gas exhaust in cold weather. This everyday phenomenon can severely impact the quality of LiDAR measurements, resulting in a less accurate environment perception by creating artifacts like ghost object detections. In the literature, the semantic segmentation of adverse weather effects like rain and fog is achieved using learning-based approaches. However, such methods require large sets of labeled data, which can be extremely expensive and laborious to get. We address this problem by presenting a two-step approach for the detection of condensed vehicle gas exhaust. First, we identify for each vehicle in a scene its emission area and detect gas exhaust if present. Then, isolated clouds are detected by modeling through time the regions of space where gas exhaust is likely to be present. We test our method on real urban data, showing that our approach can reliably detect gas exhaust in different scenarios, making it appealing for offline pre-labeling and online applications such as ghost object detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google