Centrala begrepp
다양한 환경 조건에서 LiDAR와 카메라 데이터의 정렬 및 무결성 문제로 인해 다중 센서 기반 3D 객체 탐지 모델의 성능이 저하되는 문제를 해결하기 위해 MultiCorrupt 벤치마크를 제안하고, 이를 통해 기존 모델들의 강건성을 분석한다.
Sammanfattning
이 연구는 자율주행 차량의 지각 시스템에서 중요한 역할을 하는 다중 센서 기반 3D 객체 탐지 모델의 강건성을 평가하기 위한 MultiCorrupt 벤치마크를 제안한다.
MultiCorrupt 벤치마크는 다음과 같은 10가지 유형의 데이터 훼손을 모사한다:
- 어둠, 밝기, 점군 감소, 시간적 정렬 오류, 공간적 정렬 오류, 모션 블러, 카메라 프레임 누락, 레이저 빔 감소, 안개, 눈
이 벤치마크를 통해 5개의 최신 다중 센서 기반 3D 객체 탐지 모델의 강건성을 평가하였다. 분석 결과, 모델들의 강건성은 데이터 훼손 유형과 모델의 융합 전략에 따라 다양하게 나타났다. 예를 들어, 독립적인 모달리티 처리와 마스크 모달리티 학습이 강건성 향상에 도움이 되었지만, 단일 모달리티에 의존적인 초기화나 깊은 융합은 강건성을 저하시켰다. 이를 통해 다중 센서 기반 3D 객체 탐지 모델의 강건성 향상을 위한 설계 지침을 제시한다.
Statistik
LiDAR 점군의 90%가 제거되어도 기존 모델의 성능이 73%로 유지되었다.
안개로 인해 LiDAR 최대 감지 거리가 300m에서 50m로 감소했을 때, 기존 모델의 성능이 65%로 저하되었다.
눈이 시간당 70mm 내릴 때, 기존 모델의 성능이 54%로 크게 감소했다.
Citat
"다양한 환경 조건에서 LiDAR와 카메라 데이터의 정렬 및 무결성 문제로 인해 다중 센서 기반 3D 객체 탐지 모델의 성능이 저하되는 문제를 해결하기 위해 MultiCorrupt 벤치마크를 제안한다."
"모델들의 강건성은 데이터 훼손 유형과 모델의 융합 전략에 따라 다양하게 나타났다."