LaserNet: An Efficient Probabilistic 3D Object Detector for Autonomous Driving
摘要
本文提出了一种基于激光雷达数据的自动驾驶三维目标检测算法LaserNet。效率来自于在传感器的原始范围视图中处理激光雷达数据，在该视图中，输入数据自然紧凑。在范围视图中操作涉及到众所周知的学习挑战，包括遮挡和尺度变化，但它也提供了基于如何捕获传感器数据的上下文信息。我们的方法使用一个完全卷积的网络来预测三维盒子上每个点的多模态分布，然后它有效地融合这些分布来生成每个对象的预测。
实验表明，将每个检测建模为一个分布而不是一个确定的盒，可以获得更好的整体检测性能。基准测试结果表明，该方法的运行时间明显低于其他最新的检测器，并且与具有足够数据以克服范围视图训练挑战的大型数据集相比，该方法获得了最新的性能。
贡献
在这项工作中，我们提出了一种有效的方法来学习一个端到端的概率三维目标检测器，当有足够的训练数据时，我们可以在较低的运行时间内获得最新的检测性能。我们的方法是有效的，因为我们使用一个小而密集的范围图像，而不是一个大而稀疏的鸟瞰图像。我们提出的方法不仅为每个检测产生一个类概率，而且在检测边界盒上产生一个概率分布。据我们所知，我们提出的方法是第一个通过模拟包围盒角点的分布来捕捉检测的不确定性。通过估计检测的精度，我们的方法使全自动驾驶系统中的下游部件能够在具有不同不确定性的物体周围表现出不同的行为。