Benchmarking und Analyse der Punktclouddklassifikation unter Störungen

Die 3D-Wahrnehmung, insbesondere die Klassifikation von Punktwolken, hat erhebliche Fortschritte erzielt. Bei der praktischen Anwendung sind jedoch Punktwolkenverzerrungen aufgrund der Szenenkomplexität, Sensorunzulänglichkeiten und Verarbeitungsungenauigkeiten unvermeidbar. In dieser Arbeit zielen wir darauf ab, die Klassifikation von Punktwolken unter Verzerrungen systematisch zu bewerten und zu analysieren. Um eine umfassende Untersuchung durchführen zu können, führen wir zunächst eine Taxonomie gängiger 3D-Verzerrungen ein und identifizieren die atomaren Verzerrungen. Anschließend führen wir eine umfassende Bewertung einer Vielzahl repräsentativer Punktwolkenmodelle durch, um deren Robustheit und Verallgemeinerungsfähigkeit zu verstehen. Unsere Benchmark-Ergebnisse zeigen, dass zwar die Leistung der Punktwolkenklassifikation im Laufe der Zeit stetig verbessert wurde, die derzeit besten Methoden jedoch an der Schwelle stehen, weniger robust zu werden. Auf Basis dieser Beobachtungen schlagen wir mehrere effektive Techniken zur Verbesserung der Robustheit von Punktwolkenklassifikatoren vor. Wir hoffen, dass unsere umfassende Benchmark, die tiefgreifende Analyse und die vorgeschlagenen Techniken zukünftige Forschungsarbeiten im Bereich robuster 3D-Wahrnehmung anregen werden.