自動運転車向けに悪天候下で現実的なLiDARデータをシミュレートする：物理インフォームド・ラーニングアプローチ

arXiv cs.RO / 2026/4/3

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、既存のLiDARシミュレーション手法が悪天候下では不十分であると主張する。これは、大気現象がLiDARの信号伝搬と幾何に及ぼす影響を正確にモデル化できないためである。
信号減衰や幾何整合的な劣化（geometry-consistent degradations）などの物理に基づく制約を、生成モデルと組み合わせて、より現実的な天候影響を受けたLiDARデータを合成する、物理インフォームド・ラーニングの枠組み（PICWGAN）を提案する。
雪（CADC）と雨（Boreas）の実世界データセット、およびVoxelScapeデータセットでの実験により、生成されたLiDAR強度パターンが実測値によりよく一致することが示される。
MSE、SSIM、KLダイバージェンス、ワッサースタイン距離といった複数の定量指標を用いて現実性を評価し、実データと比較して統計的に整合した強度分布が得られることを報告している。
著者らは、PICWGANで強化した合成データで訓練した知覚モデルが、下流の3D物体検出におけるベースラインを上回ることを見出しており、悪天候下の実世界LiDARで訓練したモデルと同等に近い性能に到達している。

Abstract

正確なLiDARシミュレーションは自動運転にとって不可欠であり、特に悪天候下では重要です。既存の手法では、LiDAR信号と大気現象との複雑な相互作用を捉えることが難しく、その結果、不現実的な表現が生じます。本論文では、悪天候下で現実的なLiDARデータを生成するための物理情報に基づく学習フレームワーク（PICWGAN）を提案します。信号減衰のモデリングと、幾何学的に整合した劣化を行うための物理駆動の制約を、物理情報に基づく学習パイプラインに統合することで、提案手法はシミュレーションから現実へのギャップ（sim-to-real gap）を縮小します。実世界のデータセット（雪：CADC、雨：Boreas）およびVoxelScapeデータセットでの評価により、提案手法が現実の強度（intensity）パターンを非常に密接に模倣することが示されます。MSE、SSIM、KLダイバージェンス、ワッサースタイン距離といった定量的指標は、統計的に整合した強度分布を示します。さらに、本フレームワークによって強化されたデータで学習したモデルは、下流の3D物体検出においてベースラインを上回り、実世界データで学習したモデルと同等の性能を達成します。これらの結果は、提案アプローチがLiDARデータの現実性を向上させ、悪天候下でも頑健な認識を可能にする有効性を示しています。