An Empirical Analysis of Range for 3D Object Detection

要約

LiDAR ベースの 3D 検出は、自律ナビゲーションにおいて重要な役割を果たします。
驚くべきことに、自動運転車 (AV) は近距離の物体 (衝突回避のため) と遠距離の物体 (長期計画のため) の両方を検出する必要がありますが、最新のベンチマークは近距離 3D 検出のみに焦点を当てています。
ただし、AV は安全なナビゲーションのために遠方の物体を検出する必要があります。
この論文では、問題をよりよく理解するために、長距離検出データセット Argoverse 2.0 を使用した遠距離場 3D 検出の実証分析を紹介し、次の洞察を共有します。近距離場 LiDAR 測定は高密度であり、小さなボクセルによって最適にエンコードされます。
一方、遠方界の測定値はまばらであり、大きなボクセルでより適切にエンコードされます。
私たちはこの観察を利用して、近距離対遠距離の探知用に調整された距離専門家のコレクションを構築し、効率を 33% 向上させ、CDS の精度を 3.2% 高める長距離探知用のアンサンブル モデルを効率的に行うための簡単な手法を提案します。

要約(オリジナル)

LiDAR-based 3D detection plays a vital role in autonomous navigation. Surprisingly, although autonomous vehicles (AVs) must detect both near-field objects (for collision avoidance) and far-field objects (for longer-term planning), contemporary benchmarks focus only on near-field 3D detection. However, AVs must detect far-field objects for safe navigation. In this paper, we present an empirical analysis of far-field 3D detection using the long-range detection dataset Argoverse 2.0 to better understand the problem, and share the following insight: near-field LiDAR measurements are dense and optimally encoded by small voxels, while far-field measurements are sparse and are better encoded with large voxels. We exploit this observation to build a collection of range experts tuned for near-vs-far field detection, and propose simple techniques to efficiently ensemble models for long-range detection that improve efficiency by 33% and boost accuracy by 3.2% CDS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google