Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing

要約

自動運転システムでは、知覚 (環境からの特徴や物体の識別) が重要です。
自律型レースでは、高速でマージンが小さいため、迅速で正確な検出システムが必要です。
レース中に天候が急激に変化すると、知覚が著しく低下し、効果のない操作が行われる可能性があります。
悪天候での検出を改善するために、深層学習ベースのモデルでは、通常、そのような状況でキャプチャされた大規模なデータセットが必要です。その収集は、面倒で手間がかかり、コストのかかるプロセスです。
ただし、CycleGAN アーキテクチャの最近の開発により、複数の気象条件で非常にリアルなシーンを合成できます。
この目的のために、自動レースで合成された悪条件データセット (CycleGAN を使用して生成) を使用して、5 つの最先端の検出器のうち 4 つのパフォーマンスを平均 42.7 および 4.4 mAP パーセンテージ ポイント改善するアプローチを紹介します。
夜間の状態と液滴の存在。
さらに、5 つのオブジェクト検出器の比較分析を提示し、困難な状況での自動レース中に使用するための検出器とトレーニング データの最適な組み合わせを特定します。

要約(オリジナル)

In an autonomous driving system, perception – identification of features and objects from the environment – is crucial. In autonomous racing, high speeds and small margins demand rapid and accurate detection systems. During the race, the weather can change abruptly, causing significant degradation in perception, resulting in ineffective manoeuvres. In order to improve detection in adverse weather, deep-learning-based models typically require extensive datasets captured in such conditions – the collection of which is a tedious, laborious, and costly process. However, recent developments in CycleGAN architectures allow the synthesis of highly realistic scenes in multiple weather conditions. To this end, we introduce an approach of using synthesised adverse condition datasets in autonomous racing (generated using CycleGAN) to improve the performance of four out of five state-of-the-art detectors by an average of 42.7 and 4.4 mAP percentage points in the presence of night-time conditions and droplets, respectively. Furthermore, we present a comparative analysis of five object detectors – identifying the optimal pairing of detector and training data for use during autonomous racing in challenging conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google