为了最大限度地减少 LiDAR 模拟到真实域的转移:对自动驾驶汽车的 3D 点云进行对象级本地域调整
Sebastian Huch1, Markus Lienkamp1
1Institute of Automotive Technology, Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich, 85748 Garching, Germany.
Sensors (Basel, Switzerland)
|December 23, 2023
概括
这项研究引入了一种新方法,以减少自动驾驶汽车模拟和现实世界LiDAR数据之间的域转移. 该方法通过使用域不变技术调整3D点云来显著提高对象检测性能.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
背景情况:
- 自动驾驶汽车需要大型标记数据集来进行感知算法.
- 来自模拟的合成数据为现实世界数据采集提供了具有成本效益的替代方案.
- 模拟和现实数据之间的域移动会降低模型性能.
研究的目的:
- 为了最大限度地减少模拟和现实世界LiDAR数据之间的域移动.
- 提高自动驾驶汽车感知算法的性能.
- 为3D点云数据开发一个可扩展的域适应方法.
主要方法:
- 通过学习目标域特征来对3D点云的对象级调整.
- 对于输入数据的域不变性进行下方采样.
- 使用点完成网络和歧视器进行对抗性训练.
主要成果:
- 减少了近50%的模拟到真实领域转移 (从8.63%到4.36%的3D平均精度).
- 在分布一致的数据集上显著提高了对象检测准确度.
- 验证了该方法在减少域转移方面的有效性.
结论:
- 拟议的域调整方法有效地减少了LiDAR数据的sim-to-real域转移.
- 该方法具有可扩展性,只使用目标数据,可以从任何源域调整点云.
- 这项工作有助于为自动驾驶汽车提供更强大,更可靠的感知系统.
