面向自动驾驶车辆 3D 目标检测的更优性能与更具可解释性的不确定性
计算机视觉与模式识别
2020-08-19 v2 机器学习
机器人学
摘要
在本文中，我们提出了一种新颖的损失函数形式，以提高基于 LiDAR 的 3D 目标检测的性能，并为预测获得更具可解释性和更令人信服的不确定性。该损失函数是利用角点变换和不确定性建模设计的。使用新的损失函数，我们的方法在 KITTI 数据集的验证集上，与使用简单 L1 损失的基线相比，在平均精度（AP）方面实现了高达 15% 的性能提升。在研究预测不确定性的特征时，我们发现，通常更准确的边界框预测往往伴随着较低的不确定性。角点不确定性的分布与边界框内点云的分布相吻合，这意味着具有更密集观测点的角点具有更低的不确定性。此外，我们的方法还在不确定性预测中学习了来自边界框长方体几何形状的约束。最后，我们提出了一种高效的贝叶斯更新方法，以恢复原始边界框参数的不确定性，这有助于为规划模块提供概率结果。
引用
@article{arxiv.2006.12015,
title = {Towards Better Performance and More Explainable Uncertainty for 3D Object Detection of Autonomous Vehicles},
author = {Hujie Pan and Zining Wang and Wei Zhan and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:2006.12015},
year = {2020}
}
备注
ITSC2020