LIORNet: 悪条件下での自動運転向け自己教師ありLiDAR雪除去フレームワーク

要旨：LiDARセンサーは高解像度の3D知覚と長距離検出を提供し、自動運転とロボティクスには欠かせない存在となっている。
しかし、雪・雨・霧といった悪天候条件下では性能が著しく低下し、偽のノイズ点が点群を支配して誤認を招く。
この問題に対処するため、距離ベースのフィルタが空間的な疎密性を活用し、強度ベースのフィルタが反射率分布を利用し、複雑な環境に適応する学習ベースの手法が提案されてきた。
それにもかかわらず、距離ベースの手法は有効な物体点とノイズを識別するのに苦労し、強度ベースの手法は変化する条件に適応できない固定閾値に頼ることが多く、学習ベースの手法はアノテーションの高コスト、一般化の制限、計算オーバーヘッドに悩まされる。
本研究では、これらの欠点を排除し、3つのパラダイムの利点を統合するLIORNetを提案する。
LIORNetはU-Net++をバックボーンとして構築され、距離依存の強度閾値、雪の反射率、点の疎密性、感知範囲制約など、複数の物理的・統計的手掛かりから生成された疑似ラベルによって導かれる自己教師付き学習戦略を採用する。
この設計により、LIORNetは環境構造からノイズ点を識別でき、手動アノテーションを必要とせず、雪のラベリングの難しさと単一原理アプローチの限界を克服する。
WADSおよびCADCデータセットを用いた広範な実験により、LIORNetは精度と実行時間の両面で最先端のフィルタリングアルゴリズムを上回りつつ、重要な環境特徴を保持することを示している。
これらの結果は、極端な天候下でのLiDAR知覚に対して実用的で堅牢な解決策としてLIORNetを浮き彫りにし、自動運転システムでのリアルタイム展開の強い可能性を示している。
返却形式: {"translated": "翻訳されたHTML"}