論文の概要: Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection
- arxiv url: http://arxiv.org/abs/2107.07004v1
- Date: Wed, 14 Jul 2021 21:10:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-16 13:53:21.931260
- Title: Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection
- Title（参考訳）: Lidar Light Scattering Augmentation (LISA):3次元物体検出のための逆気象条件の物理シミュレーション
- Authors: Velat Kilic, Deepti Hegde, Vishwanath Sindagi, A. Brinton Cooper, Mark
A. Foster and Vishal M. Patel
- Abstract要約: ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
- 参考スコア（独自算出の注目度）: 60.89616629421904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lidar-based object detectors are critical parts of the 3D perception pipeline
in autonomous navigation systems such as self-driving cars. However, they are
known to be sensitive to adverse weather conditions such as rain, snow and fog
due to reduced signal-to-noise ratio (SNR) and signal-to-background ratio
(SBR). As a result, lidar-based object detectors trained on data captured in
normal weather tend to perform poorly in such scenarios. However, collecting
and labelling sufficient training data in a diverse range of adverse weather
conditions is laborious and prohibitively expensive. To address this issue, we
propose a physics-based approach to simulate lidar point clouds of scenes in
adverse weather conditions. These augmented datasets can then be used to train
lidar-based detectors to improve their all-weather reliability. Specifically,
we introduce a hybrid Monte-Carlo based approach that treats (i) the effects of
large particles by placing them randomly and comparing their back reflected
power against the target, and (ii) attenuation effects on average through
calculation of scattering efficiencies from the Mie theory and particle size
distributions. Retraining networks with this augmented data improves mean
average precision evaluated on real world rainy scenes and we observe greater
improvement in performance with our model relative to existing models from the
literature. Furthermore, we evaluate recent state-of-the-art detectors on the
simulated weather conditions and present an in-depth analysis of their
performance.
- Abstract（参考訳）: lidarベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおける3d知覚パイプラインの重要な部分である。
しかし, 降雨, 雪, 霧などの悪天候に敏感であることが知られており, 信号対雑音比 (SNR) と信号対背景比 (SBR) の低下が原因である。
その結果、通常の天候で捉えたデータに基づいて訓練されたライダーベースの物体検出器は、このようなシナリオでは性能が悪くなる傾向にある。
しかし、さまざまな悪天候下で十分な訓練データを収集し、ラベル付けすることは手間がかかり、非常に高価である。
そこで本研究では,気象条件下でのライダーポイント雲をシミュレートする物理ベースの手法を提案する。
これらのデータセットを使用してライダーベースの検出器をトレーニングし、全天候の信頼性を向上させることができる。
具体的には, (i) 粒子をランダムに配置し, 背面反射力とターゲットとを比較して大粒子の効果を処理し, および (ii) ミー理論と粒子径分布からの散乱効率の計算により, 平均に対する減衰効果を平均化する, ハイブリッドモンテカルロ法を提案する。
この拡張データを用いたネットワーク再トレーニングにより,実世界の雨シーンで評価された平均精度が向上し,文献から得られた既存モデルと比較して,モデルによる性能向上が確認できた。
さらに,近年の気象状況をシミュレートしたセンサの評価を行い,その性能の詳細な解析を行った。
関連論文リスト
- Robust ADAS: Enhancing Robustness of Machine Learning-based Advanced Driver Assistance Systems for Adverse Weather [5.383130566626935]
本稿では,デノイングディープニューラルネットワークを前処理ステップとして,悪天候画像から晴天画像へ変換する。
ドライバーの視認性が向上し、悪天候下での安全なナビゲーションに欠かせない。
論文 参考訳（メタデータ） (2024-07-02T18:03:52Z) - Enhancing Lidar-based Object Detection in Adverse Weather using Offset
Sequences in Time [1.1725016312484975]
ライダーによる物体検出は、雨や霧などの悪天候の影響を著しく受けている。
本研究は,ライダーによる物体検出の信頼性に対する悪天候の影響を緩和する有効な方法の総合的研究である。
論文 参考訳（メタデータ） (2024-01-17T08:31:58Z) - Realistic Rainy Weather Simulation for LiDARs in CARLA Simulator [17.605152926277707]
本稿では,降雨時のLiDARデータを拡張するためのシミュレータに基づく物理モデリング手法を提案する。
CARLAシミュレータにおける雨天候のモデリングタスクを完了し、LiDARデータ収集のためのパイプラインを確立する。
実験では、合成データにより強化されたモデルにより、物体検出タスクの性能が向上することが観察された。
論文 参考訳（メタデータ） (2023-12-20T05:16:04Z) - Energy-based Detection of Adverse Weather Effects in LiDAR Data [7.924836086640871]
本稿では,LiDARデータにおける悪天候の影響を検知するための新しい手法を提案する。
提案手法では,低エネルギースコアを不整点,高エネルギースコアを不整点に関連付ける。
悪天候下でのLiDAR知覚の研究領域の拡大を支援するため、SemanticSprayデータセットをリリースする。
論文 参考訳（メタデータ） (2023-05-25T15:03:36Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳（メタデータ） (2022-09-22T13:12:54Z) - Robust 3D Object Detection in Cold Weather Conditions [7.924836086640871]
逆気象条件はLiDARベースの物体検出器に悪影響を及ぼす可能性がある。
寒冷環境における自動車排ガスの凝縮現象に着目した。
本稿では,データ拡張と新たなトレーニング損失項を用いてこの問題を解決することを提案する。
論文 参考訳（メタデータ） (2022-05-24T09:37:07Z) - LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。
本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。
我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
論文 参考訳（メタデータ） (2022-03-28T21:48:26Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in
Adverse Weather [92.84066576636914]
本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。
我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。
Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
論文 参考訳（メタデータ） (2021-08-11T14:37:54Z) - Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing
Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。
生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
論文 参考訳（メタデータ） (2021-04-22T12:47:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。