OmniHD-Scenes: Un conjunto de datos multimodal de próxima generación para la conducción autónoma.

Área de la Ciencia:

• Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador
• Robótica y Robótica Robótica y Robótica Robótica Robótica Robótica Robótica Robótica Robótica
• La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

• El aprendizaje profundo para la conducción autónoma requiere conjuntos de datos multimodales extensos y de alta calidad.
• Los conjuntos de datos actuales a menudo carecen de la cobertura completa de datos y las anotaciones detalladas necesarias para los sistemas de próxima generación.
• Los sensores avanzados y la representación de diversas escenas son fundamentales para las soluciones eficaces de conducción autónoma.

Objetivo del estudio:

• Para introducir OmniHD-Scenes, un conjunto de datos multimodal a gran escala para la investigación de la conducción autónoma.
• Para proporcionar datos de alta definición omnidireccionales completos de múltiples sensores avanzados.
• Establecer puntos de referencia y métricas de evaluación para la detección 3D y la predicción de ocupación semántica.

Principales métodos:

• El conjunto de datos OmniHD-Scenes integra datos de LiDAR de 128 haces, seis cámaras y seis sistemas de radar de imágenes 4D.
• Se desarrolló una nueva tubería de anotación 4D, que incluye cajas de delimitación 3D precisas y segmentación semántica.
• Se introdujo una tubería automatizada para la generación de la verdad del suelo de ocupación densa, aprovechando marcos no clave.

Principales resultados:

• El conjunto de datos comprende 1501 clips con más de 450K cuadros sincronizados y 5.85M puntos de datos de sensores sincronizados.
• 200 clips están anotados con más de 514K cajas delimitadoras 3D y segmentación semántica.
• Los experimentos validan la efectividad de las configuraciones de sensores de bajo costo y su robustez en condiciones adversas.

Conclusiones:

• OmniHD-Scenes proporciona un valioso recurso para desarrollar y probar algoritmos de conducción autónoma.
• El conjunto de datos apoya la investigación en soluciones de sensores rentables utilizando cámaras de visión envolvente y radar de imágenes 4D.
• Los puntos de referencia y métricas propuestos facilitan los avances en la detección 3D y la predicción de la ocupación semántica.