Fog-Simulation auf realen LiDAR-Punktwolken für die 3D-Objekterkennung unter ungünstigen Wetterbedingungen

Diese Arbeit befasst sich mit der herausfordernden Aufgabe der LiDAR-basierten 3D-Objekterkennung unter nebligen Wetterbedingungen. Die Erfassung und Annotation von Daten in solchen Szenarien ist äußerst zeitaufwendig, arbeitsintensiv und kostenträchtig. In diesem Paper lösen wir dieses Problem, indem wir physikalisch präzisen Nebel in klarwetter-Szenen simulieren, sodass die reichhaltigen bestehenden realen Datensätze, die unter klarem Wetter aufgenommen wurden, für unsere Aufgabe wiederverwendet werden können. Unsere Beiträge sind zweifach: 1) Wir entwickeln eine physikalisch gültige Nebelsimulation, die auf beliebige LiDAR-Datensätze anwendbar ist. Dadurch wird die Erzeugung von großskaligen, nebelbelasteten Trainingsdaten ohne zusätzliche Kosten möglich. Diese teilweise synthetischen Daten können zur Verbesserung der Robustheit verschiedener Wahrnehmungsmethoden, wie beispielsweise der 3D-Objekterkennung und -verfolgung oder der simultanen Lokalisierung und Kartenerstellung (SLAM), auf echten nebeligen Datensätzen eingesetzt werden. 2) Durch umfangreiche Experimente mit mehreren state-of-the-art-Detektionsansätzen zeigen wir, dass unsere Nebelsimulation gezielt eingesetzt werden kann, um die Leistung der 3D-Objekterkennung unter Nebel erheblich zu verbessern. Damit stellen wir erstmals starke Baseline-Resultate für die 3D-Objekterkennung auf dem Seeing Through Fog-Datensatz bereit. Unser Code ist unter www.trace.ethz.ch/lidar_fog_simulation verfügbar.