量化LiDAR仿真到真实的域偏移：基于目标检测器的详细研究与目标级点云分析
计算机视觉与模式识别
2023-03-06 v1
摘要
基于神经网络的自动驾驶LiDAR目标检测算法需要大量数据用于训练、验证和测试。由于真实世界数据收集和标注耗时且昂贵，基于仿真的合成数据生成是一种可行的替代方案。然而，由于场景、情景和分布上的差异，使用仿真数据训练神经网络会导致训练与测试数据之间的域偏移。本工作中，我们利用一个新构建的情境相同的真实世界与仿真数据集所训练的LiDAR目标检测器来量化仿真到真实的域偏移。此外，我们回答了仿真数据在多大程度上类似于真实世界数据，以及用仿真数据训练的目标检测器在真实世界数据上表现如何的问题。进一步，我们通过比较目标3D边界框内的真实与仿真点云，在目标级分析了点云。我们的实验表明，即使对于情境相同的数据集，也存在显著的仿真到真实域偏移。该域偏移导致用仿真数据训练的目标检测器平均精度下降约14%。额外实验揭示，通过在仿真中引入简单噪声模型可降低此域偏移。我们进一步表明，一种用于建模真实世界物理的简单下采样方法不影响目标检测器的性能。
引用
@article{arxiv.2303.01899,
title = {Quantifying the LiDAR Sim-to-Real Domain Shift: A Detailed Investigation Using Object Detectors and Analyzing Point Clouds at Target-Level},
author = {Sebastian Huch and Luca Scalerandi and Esteban Rivera and Markus Lienkamp},
journal= {arXiv preprint arXiv:2303.01899},
year = {2023}
}