无专家标签下用于鲁棒车辆导航的激光雷达视角合成
计算机视觉与模式识别
2023-08-08 v2
摘要
自动驾驶汽车的深度学习模型需要多样化的训练数据集，以安全应对公共道路上的关键驾驶场景。这包括来自不同轨迹的数据，例如对向车道或人行道。此类数据在现实世界中采集过于危险。已有数据增强方法被提出以利用RGB图像解决该问题。然而，基于激光雷达（LiDAR）传感器的解决方案很少。因此，我们提出在不 physically 驾驶至危险位置的情况下，从新颖视角合成额外的LiDAR点云。LiDAR视角合成通过网格重建与光线投射完成。我们训练一个深度学习模型，以LiDAR扫描作为输入并预测未来轨迹作为输出。随后将路径点控制器应用于该预测轨迹以确定自车的油门与转向标签。我们的方法既不需要原始LiDAR序列也不需要合成LiDAR序列的专家驾驶标签，而是从LiDAR里程计推断标签。我们在全面的在线评估中并通过与同期工作的比较展示了方法的有效性。结果表明合成额外LiDAR点云的重要性，尤其在模型鲁棒性方面。项目页面：https://jonathsch.github.io/lidar-synthesis/
引用
@article{arxiv.2308.01424,
title = {LiDAR View Synthesis for Robust Vehicle Navigation Without Expert Labels},
author = {Jonathan Schmidt and Qadeer Khan and Daniel Cremers},
journal= {arXiv preprint arXiv:2308.01424},
year = {2023}
}