LiDAR-Schneefall-Simulation für robuste 3D-Objekterkennung

Die 3D-Objekterkennung ist eine zentrale Aufgabe für Anwendungen wie autonomes Fahren, bei denen das System umliegende Verkehrsteilnehmer lokalisieren und klassifizieren muss, auch bei ungünstigem Wetter. In dieser Arbeit adressieren wir das Problem der LiDAR-basierten 3D-Objekterkennung unter Schneefallbedingungen. Aufgrund der Schwierigkeit, Trainingsdaten in diesem Szenario zu sammeln und zu annotieren, schlagen wir eine physikalisch fundierte Methode vor, um den Einfluss des Schneefalls auf echte LiDAR-Punktwolken bei klarem Wetter zu simulieren. Unsere Methode sampelt Schneeteilchen im 2D-Raum für jede LiDAR-Linie und verwendet die daraus resultierende Geometrie, um die Messung für jeden LiDAR-Strahl entsprechend zu modifizieren. Darüber hinaus führt Schneefall häufig zu Nässe am Boden, daher simulieren wir auch die Bodennässe in LiDAR-Punktwolken. Wir nutzen unsere Simulation, um teilweise synthetische schneebedeckte LiDAR-Daten zu generieren und diese Daten zur Ausbildung von 3D-Objekterkennungsmodellen zu verwenden, die gegenüber Schneefall robust sind. Wir führen eine umfangreiche Evaluierung mit mehreren state-of-the-art 3D-Objekterkennungsverfahren durch und zeigen, dass unsere Simulation konsistent signifikante Leistungsverbesserungen auf dem echten schneebedeckten STF-Datensatz im Vergleich zu klarem-Wetter-Baselines und konkurrierenden Simulationsansätzen erzielt, ohne dabei die Leistung bei klarem Wetter einzubüßen. Unser Code ist unter www.github.com/SysCV/LiDAR_snow_sim verfügbar.