Simulation de chute de neige LiDAR pour une détection robuste d'objets 3D

La détection d'objets en 3D est une tâche centrale pour des applications telles que la conduite autonome, où le système doit localiser et classer les agents de circulation environnants, même en présence de conditions météorologiques défavorables. Dans cet article, nous abordons le problème de la détection d'objets en 3D basée sur le LiDAR sous la neige. En raison des difficultés liées à la collecte et à l'annotation de données d'entraînement dans ce contexte, nous proposons une méthode fondée sur des principes physiques pour simuler l'effet de la neige sur des nuages de points LiDAR réels pris par temps clair. Notre méthode échantillonne des particules de neige dans l'espace 2D pour chaque ligne LiDAR et utilise la géométrie induite pour modifier les mesures de chaque faisceau LiDAR en conséquence. De plus, comme la neige provoque souvent une humidité au sol, nous simulons également cette humidité sur les nuages de points LiDAR. Nous utilisons notre simulation pour générer des données LiDAR partiellement synthétiques avec de la neige et exploitons ces données pour entraîner des modèles de détection d'objets en 3D résistants à la neige. Nous menons une évaluation approfondie en utilisant plusieurs méthodes avancées de détection d'objets en 3D et montrons que notre simulation offre systématiquement des gains significatifs de performance sur le jeu de données réel STF (Snowy Test Frame) par rapport aux lignes directrices par temps clair et aux approches concurrentes de simulation, sans compromettre les performances par temps clair. Notre code est disponible à l'adresse www.github.com/SysCV/LiDAR_snow_sim.