L-DIG:一种基于GAN的方法,用于在雪地驾驶条件下的LiDAR点云处理

科学领域:

• 计算机视觉 计算机视觉
• 自主驾驶系统 自主驾驶系统
• 传感器数据处理 传感器数据处理

背景情况:

• 降雪在驾驶场景中显著降低了LiDAR点云数据质量.
• 现有的除雪方法,主要是异常波器,其有效性有限.
• 自动驾驶系统需要强大的感知能力,即使在雪地条件下.

研究的目的:

• 引入一种新的生成对抗网络 (GAN) 模型,L-DIG (LiDAR深度图像GAN),用于LiDAR点云除雪和雪合成.
• 为了提高自动驾驶系统在雪环境中的感知能力.
• 开发一种能够在LiDAR数据中消除和产生雪效应的模型.

主要方法:

• 从未配对的数据集中利用点云的深度图像表示用于训练.
• 实现深度图像的定制损失功能,以保持尺寸和结构的一致性.
• 开发了一种双分辨器架构,其中包括一个像素注意力分辨器,用于在自我车辆附近捕获雪,以及一个下采样卷积分辨器,用于雪.
• 采用3D聚类算法对各种雪状况进行自适应评估.

主要成果:

• L-DIG模型在捕捉LiDAR点云中的雪和物体特征方面表现出卓越的性能.
• 实验结果显示,对损坏的数据有明显的除雪效应.
• 该模型成功地将现实的雪效应合成到清晰的LiDAR数据上.
• 双歧视者方法有效地处理了各种各样的雪状况,从分散点到密集集群.

结论:

• 拟议的L-DIG模型为减轻自动驾驶LiDAR数据中的雪干扰提供了有效的解决方案.
• 能够同时去除和合成雪的能力为研究和开发提供了多功能工具.
• 该模型的性能表明,在冬季条件下,自动驾驶汽车在强大的感知方面取得了显著的进步.