关于激光雷达目标检测性能中光束密度的探究

准确的3D目标检测是自动驾驶的关键组成部分，使车辆能够精确感知周围环境并做出明智的决策。激光雷达传感器因能够提供详细的3D测量而广泛应用于实现这一能力。然而，训练数据与推理数据之间的差异会导致在不同传感器设置下使用目标检测模型时出现显著的性能下降。一个关键因素是光束密度，因为稀疏、成本效益高的激光雷达传感器往往在推理阶段更受青睐。尽管已有工作解决了光束密度引起的领域差距问题，但仍存在显著的知识缺口，特别是在跨域场景中针对密集128光束传感器的研究。为了更好地理解光束密度对领域差距的影响，我们进行了全面的调查，包括对不同目标检测架构的评估。我们的架构评估表明，结合体素和点基方法的组合可实现卓越的跨域性能，通过利用两种表示方法的优势。建立在这些发现基础上，我们分析了由光束密度引起的领域差距，并主张这些领域差距必须与其他领域偏移一起进行评估。与传统观念相反，我们的实验结果表明，检测器受益于在更密集的数据上进行训练，并在推理阶段对光束密度变化具有鲁棒性。