論文の概要: Evaluating the Robustness of LiDAR-based 3D Obstacles Detection and Its Impacts on Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2408.13653v1
- Date: Sat, 24 Aug 2024 19:10:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 18:29:37.146776
- Title: Evaluating the Robustness of LiDAR-based 3D Obstacles Detection and Its Impacts on Autonomous Driving Systems
- Title（参考訳）: LiDARを用いた3次元障害物検出のロバスト性評価と自律運転システムへの影響
- Authors: Tri Minh Triet Pham, Bo Yang, Jinqiu Yang,
- Abstract要約: 我々は,LiDARセンサの組込み不正確さがLiDAR-3D障害物検出モデルに与える影響について検討した。
5つの古典的LiDAR-3D障害物検出モデルのロバスト性評価にETを適用した。
点クラウドデータの微妙な変化さえも、検出性能の非自明な低下をもたらす可能性がある。
- 参考スコア（独自算出の注目度）: 4.530172587010801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving systems (ADSs) require real-time input from multiple sensors to make time-sensitive decisions using deep neural networks. This makes the correctness of these decisions crucial to ADSs' adoption as errors can cause significant loss. Sensors such as LiDAR are sensitive to environmental changes and built-in inaccuracies and may fluctuate between frames. While there has been extensive work to test ADSs, it remains unclear whether current ADSs are robust against very subtle changes in LiDAR point cloud data. In this work, we study the impact of the built-in inaccuracies in LiDAR sensors on LiDAR-3D obstacle detection models to provide insight into how they can impact obstacle detection (i.e., robustness) and by extension trajectory prediction (i.e., how the robustness of obstacle detection would impact ADSs). We propose a framework SORBET, that applies subtle perturbations to LiDAR data, evaluates the robustness of LiDAR-3D obstacle detection, and assesses the impacts on the trajectory prediction module and ADSs. We applied SORBET to evaluate the robustness of five classic LiDAR-3D obstacle detection models, including one from an industry-grade Level 4 ADS (Baidu's Apollo). Furthermore, we studied how changes in the obstacle detection results would negatively impact trajectory prediction in a cascading fashion. Our evaluation highlights the importance of testing the robustness of LiDAR-3D obstacle detection models against subtle perturbations. We find that even very subtle changes in point cloud data (i.e., removing two points) may introduce a non-trivial decrease in the detection performance. Furthermore, such a negative impact will further propagate to other modules, and endanger the safety of ADSs.
- Abstract（参考訳）: 自律運転システム(ADS)は、ディープニューラルネットワークを使用して時間に敏感な決定を行うために、複数のセンサーからのリアルタイム入力を必要とする。
これにより、これらの決定の正しさは、エラーが重大な損失を引き起こす可能性があるため、ADSの採用に不可欠である。
LiDARのようなセンサーは環境変化や不正確な内蔵に敏感であり、フレーム間で変動する可能性がある。
ADSのテストには広範な作業があったが、現在のADSがLiDARポイントクラウドデータの非常に微妙な変更に対して堅牢であるかどうかは不明だ。
本研究では,LiDARセンサの組込み不正確さがLiDAR-3D障害物検出モデルに与える影響について検討し,障害物検出(ロバスト性)や拡張軌道予測(障害物検出の頑健さがADSに与える影響)について考察する。
我々は、LiDARデータに微妙な摂動を適用し、LiDAR-3D障害物検出の堅牢性を評価し、軌道予測モジュールとADSへの影響を評価するフレームワークSORBETを提案する。
業界グレードのLevel 4 ADS(BaiduのApollo)を含む5種類のLiDAR-3D障害物検出モデルのロバスト性を評価するためにSORBETを適用した。
さらに,障害物検出結果の変化が軌道予測に悪影響を及ぼすかを検討した。
本評価では,LiDAR-3D障害物検出モデルの微妙な摂動に対する堅牢性テストの重要性を強調した。
点雲データの微妙な変化(すなわち2点の除去)でさえ、検出性能の非自明な低下をもたらす可能性がある。
さらに、このような負の影響は、他のモジュールにさらに伝播し、ADSの安全性を脅かす。
関連論文リスト
- Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。
本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
論文 参考訳（メタデータ） (2024-10-31T13:13:32Z) - Towards Robust 3D Object Detection In Rainy Conditions [10.920640666237833]
道路噴霧に対するLiDARを用いた3次元物体検出装置のロバスト性向上のための枠組みを提案する。
当社のアプローチでは,LiDAR点雲からの噴霧を除去するために,最先端の悪天候検知ネットワークを用いている。
悪天候のフィルタリングに加えて、レーダターゲットを用いて偽陽性検出をさらにフィルタリングする方法について検討する。
論文 参考訳（メタデータ） (2023-10-02T07:34:15Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Ego-Motion Estimation and Dynamic Motion Separation from 3D Point Clouds
for Accumulating Data and Improving 3D Object Detection [0.1474723404975345]
高解像度レーダーセンサーの1つは、ライダーセンサーと比較して、生成された点雲の空間性である。
このコントリビューションは、View-of-Delftデータセット上のレーダーポイント雲の蓄積制限を分析する。
エゴモーション推定と動的動き補正を応用して物体検出性能を向上させる実験を行った。
論文 参考訳（メタデータ） (2023-08-29T14:53:16Z) - Context-Aware Change Detection With Semi-Supervised Learning [0.0]
地球観測データを用いた変化検出は、被災地における災害の影響を定量化する上で重要な役割を担っている。
Sentinel-2のようなデータソースは、豊富な光学情報を提供するが、しばしば雲のカバーによって妨げられる。
本研究では,変更検出タスクにおけるSentinel-2データのコントリビューションを評価するモデルを開発した。
論文 参考訳（メタデータ） (2023-06-15T08:17:49Z) - Survey on LiDAR Perception in Adverse Weather Conditions [6.317642241067219]
アクティブなLiDARセンサーは、シーンの正確な3D表現を作成することができる。
霧、雪、雨などの悪天候条件下でのLiDARの性能は変化する。
我々は、適切なデータの提供、生の点クラウド処理とデノイング、ロバストな認識アルゴリズム、悪天候による欠点を軽減するためのセンサ融合といったトピックに対処する。
論文 参考訳（メタデータ） (2023-04-13T07:45:23Z) - A Comprehensive Study of the Robustness for LiDAR-based 3D Object
Detectors against Adversarial Attacks [84.10546708708554]
3Dオブジェクト検出器は、セキュリティクリティカルなタスクにおいてますます重要になっている。
敵の攻撃に対する強固さを理解することが不可欠である。
本稿では,LiDARをベースとした3次元検出器の対角攻撃時のロバスト性評価と解析を行った。
論文 参考訳（メタデータ） (2022-12-20T13:09:58Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Towards robust sensing for Autonomous Vehicles: An adversarial
perspective [82.83630604517249]
結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。
敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。
より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
論文 参考訳（メタデータ） (2020-07-14T05:25:15Z) - Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。
特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。
これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
論文 参考訳（メタデータ） (2020-04-01T16:11:04Z)
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。