Domänenanpassung für die Fahrzeugerkennung aus LiDAR-Punktwolken-Daten in Vogelperspektive

Punktewolken-Daten von 3D-LiDAR-Sensoren sind eine der wichtigsten Sensormodalitäten für vielseitige sicherheitskritische Anwendungen wie selbstfahrende Fahrzeuge. Da die Annotation von Punktewolken-Daten ein teurer und zeitaufwändiger Prozess ist, hat sich die Nutzung simulierter Umgebungen und 3D-LiDAR-Sensoren für diese Aufgabe in letzter Zeit zunehmend durchgesetzt. Mit simulierten Sensoren und Umgebungen wurde der Prozess zur Gewinnung annotierter synthetischer Punktewolken-Daten erheblich vereinfacht. Allerdings fehlen den generierten synthetischen Punktewolken-Daten noch die Artefakte, die in Punktewolken-Daten von echten 3D-LiDAR-Sensoren üblicherweise vorhanden sind. Daher wird die Leistung der auf diesen Daten trainierten Modelle bei Wahrnehmungsaufgaben, wenn sie auf echten Punktewolken-Daten getestet werden, aufgrund des Domänenverschiebungs zwischen simulierten und realen Umgebungen beeinträchtigt. In dieser Arbeit schlagen wir daher einen Domänenanpassungsrahmen vor, um diese Lücke zwischen synthetischen und realen Punktewolken-Daten zu überbrücken. Unser vorgeschlagener Rahmen basiert auf der Architektur tiefer zyklisch konsistenter generativer adversarischer Netzwerke (CycleGAN). Wir haben die Leistung unseres vorgeschlagenen Rahmens bei der Aufgabe der Fahrzeugerkennung aus Vogelperspektive (BEV) bewertet, wobei die Punktewolken-Bilder von echten 3D-LiDAR-Sensoren stammen. Der Rahmen hat wettbewerbsfähige Ergebnisse gezeigt und eine Steigerung des durchschnittlichen Präzisionsscores um mehr als 7 % im Vergleich zu anderen Baseline-Methoden erzielt, wenn er auf echten BEV-Punktewolken-Bildern getestet wurde.