Neubewertung der Daten-Augmentierung für robuste LiDAR-Semantische Segmentierung bei ungünstigen Wetterbedingungen

Bestehende Methoden zur semantischen Segmentierung mit LiDAR leiden häufig unter Leistungseinbußen unter ungünstigen Wetterbedingungen. Frühere Ansätze haben dieses Problem durch die Simulation ungünstiger Wetterbedingungen oder die Anwendung universeller Datenaugmentierung während des Trainings angegangen. Diese Methoden fehlt jedoch eine detaillierte Analyse und ein tiefgehendes Verständnis dafür, wie ungünstige Wetterbedingungen die Leistung der LiDAR-semantischen Segmentierung negativ beeinflussen. Ausgehend von diesem Problem identifizierten wir die wesentlichen Faktoren ungünstiger Wetterbedingungen und führten ein einfaches Experiment durch, um die Hauptursachen der Leistungsverschlechterung zu identifizieren: (1) geometrische Störungen durch Brechung infolge von Nebel oder Lufttröpfchen sowie (2) Punktverlust aufgrund von Energieabsorption und Verdeckung. Auf Basis dieser Erkenntnisse schlagen wir neue strategische Techniken zur Datenaugmentierung vor. Zunächst führen wir eine selektive Jittering-Technik (Selective Jittering, SJ) ein, bei der Punkte innerhalb eines zufälligen Tiefen- (bzw. Winkel-) Bereichs gestört werden, um geometrische Störungen nachzuahmen. Zudem entwickeln wir ein lernbares Punktverlustverfahren (Learnable Point Drop, LPD), das mit einem Deep-Q-Learning-Netzwerk anfällig erodierende Muster lernt, um den Punktverlust unter ungünstigen Wetterbedingungen zu approximieren. Ohne eine präzise Simulation des Wetters stärken diese Techniken das LiDAR-semantische Segmentierungsmodell, indem es den identifizierten anfälligen Bedingungen ausgesetzt wird, die durch unsere datenzentrierte Analyse aufgedeckt wurden. Experimentelle Ergebnisse bestätigen die Eignung der vorgeschlagenen Datenaugmentierungsmethoden zur Verbesserung der Robustheit gegenüber ungünstigen Wetterbedingungen. Unsere Methode erreicht eine bemerkenswerte mIoU von 39,5 auf dem SemanticKITTI-to-SemanticSTF-Benchmark und übertrifft die Baseline um 8,1 Prozentpunkte, wodurch ein neuer State-of-the-Art etabliert wird. Der Quellcode wird unter \url{https://github.com/engineerJPark/LiDARWeather} veröffentlicht.