Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features

要約

自動運転車用の 3D 物体検出システムの急速な開発により、精度が大幅に向上しました。
しかし、これらのシステムは多様な運転環境に一般化するのに苦労しており、交通参加者の検出において安全上重要な障害が発生する可能性があります。
これに対処するために、ラベルを付けずに複数の場所を繰り返し横断し、物体検出器を新しい運転環境に適応させる方法を提案します。
繰り返し行われた LiDAR スキャンから計算された統計を組み込むことで、適応プロセスを効果的に導きます。
私たちのアプローチは、空間量子化された履歴特徴を使用して LiDAR ベースの検出モデルを強化し、特徴の正則化に統計を活用する軽量の回帰ヘッドを導入します。
さらに、トレーニングを安定させるための新しい自己トレーニング プロセスの統計を活用します。
このフレームワークは検出器モデルに依存せず、実世界のデータセットでの実験では大幅な改善が実証され、特に歩行者や遠くの物体の検出において最大 20 ポイントのパフォーマンス向上が達成されました。
コードは https://github.com/zhangtravis/Hist-DA で入手できます。

要約(オリジナル)

The rapid development of 3D object detection systems for self-driving cars has significantly improved accuracy. However, these systems struggle to generalize across diverse driving environments, which can lead to safety-critical failures in detecting traffic participants. To address this, we propose a method that utilizes unlabeled repeated traversals of multiple locations to adapt object detectors to new driving environments. By incorporating statistics computed from repeated LiDAR scans, we guide the adaptation process effectively. Our approach enhances LiDAR-based detection models using spatial quantized historical features and introduces a lightweight regression head to leverage the statistics for feature regularization. Additionally, we leverage the statistics for a novel self-training process to stabilize the training. The framework is detector model-agnostic and experiments on real-world datasets demonstrate significant improvements, achieving up to a 20-point performance gain, especially in detecting pedestrians and distant objects. Code is available at https://github.com/zhangtravis/Hist-DA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google