自动驾驶中 3D 目标检测对常见 corruptions 鲁棒性的基准测试
计算机视觉与模式识别
2023-03-21 v1 人工智能
密码学与安全
摘要
3D 目标检测是自动驾驶中感知周围环境的重要任务。尽管性能优异，现有 3D 检测器缺乏对由恶劣天气、传感器噪声等引起的真实世界 corruptions 的鲁棒性，引发对自动驾驶系统安全性与可靠性的担忧。为全面严谨地基准测试 3D 检测器的 corruption 鲁棒性，本文针对 LiDAR 与相机输入设计了 27 种考虑真实驾驶场景的常见 corruptions。通过在公开数据集上合成这些 corruptions，我们建立了三个 corruption 鲁棒性基准——KITTI-C、nuScenes-C 与 Waymo-C。随后，我们对 24 个多样化 3D 目标检测模型进行大规模实验以评估其 corruption 鲁棒性。基于评估结果，我们得出若干重要发现，包括：1) 运动级 corruptions 是最具威胁的，导致所有模型性能显著下降；2) LiDAR-相机融合模型展现出更好鲁棒性；3) 仅相机模型对图像 corruptions 极度脆弱，表明 LiDAR 点云不可或缺。我们在 https://github.com/kkkcx/3D_Corruptions_AD 发布基准与代码。希望我们的基准与发现能为未来开发鲁棒 3D 目标检测模型的研究提供见解。
引用
@article{arxiv.2303.11040,
title = {Benchmarking Robustness of 3D Object Detection to Common Corruptions in Autonomous Driving},
author = {Yinpeng Dong and Caixin Kang and Jinlai Zhang and Zijian Zhu and Yikai Wang and Xiao Yang and Hang Su and Xingxing Wei and Jun Zhu},
journal= {arXiv preprint arXiv:2303.11040},
year = {2023}
}
备注
CVPR 2023