点云重组：利用机器人目标进行系统化真实数据增强以验证LiDAR感知

由于真实环境条件的多变性，在开放世界应用中运行的智能移动系统的基于LiDAR的感知验证仍然是一个挑战。虚拟仿真允许在受控条件下生成任意场景，但缺乏物理传感器特性，例如强度响应或材料相关效应。相比之下，真实世界数据提供了真实的传感器保真度，但对影响因素的控制较少，阻碍了充分的验证。现有方法通过在不同场景之间转移物体来增强真实世界点云数据，以解决此问题。然而，这些方法未考虑验证，并且由于依赖经验数据，其可控性仍然有限。我们通过提出点云重组来解决这些局限性，该方法通过集成在受控实验室环境中测量的物理目标物体获取的点云，系统地增强捕获的点云场景。从而能够创建大量且多样的、可重复的、物理精确的测试场景，这些场景涉及与已配准的3D网格相关的现象感知遮挡。使用Ouster OS1-128 Rev7传感器，我们展示了利用穿着不同服装和姿态的类人目标来增强真实世界城市和乡村场景，以实现可重复定位。我们证明，重组的场景与真实传感器输出高度匹配，从而能够进行有针对性的测试、可扩展的失效分析，并提高系统安全性。通过提供受控但传感器真实的数据，我们的方法能够就特定传感器与其算法（例如物体检测）结合时的局限性得出可靠的结论。