DSOR: A Scalable Statistical Filter for Removing Falling Snow from LiDAR Point Clouds in Severe Winter Weather
结论
介绍了Winter Adverse Driving dataSet (WADS)
a dense, point-wise labeled dataset featuring severe winter weather
提出了两种降雪量和积雪量的分类标签,可用于目标检测、定位和映射以及恶劣天气下的语义和泛视分割等AV任务。未来可能会提供图像及毫米波雷达,在恶劣天气进行数据融合。
DSOR 提高了4%的召回率 减少了28%的处理时间
未来提高表现会考虑采用如论文“Fast statistical outlier removal based method for large 3d point clouds of outdoor environments"的快速聚类及体素降采样的方法。
摘要
the Winter Adverse Driving dataSet (WADS) 第一个多模态恶劣天气数据集
加了标签的数据集和代码在 https://bitbucket.org/autonomymtu/dsor filter.
引言
背景资料:激光雷达对自动驾驶的作用,降雪导致自动驾驶感知的失效。
存在问题:数据集的缺少,目标检测障碍物丢失
研究目的:提供关于恶劣天气的数据集,提出适合的滤波方法
激光雷达的回波在体积上是不均匀的,导致点密度随距离的增加而减小。由降雪引起的噪声,也表现出同样的非均匀性,服从对数正态分布 依据论文**《Towards characterizing the behavior of lidars in snowy conditions》**
研究内容:动态统计滤波的方法根据距离动态地改变滤波阈值。
研究贡献:1、制作了第一个降雪环境下的标注数据集 2、提出了DSOR滤波方法 3、滤波效果的改善
相关研究
12 指出降雨极大影响目标检测算法
13 Rasmussen 得到 小的雪粒子充当了传感器的目标,产生了显著的后向散射。
14 Roy 建立了雪花和激光脉冲之间的相互作用的模型
结果表明,积雪探测集中在传感器附近,探测统计量受激光束特性和降水速率的影响。
10 Michaud 研究表明汽车三维激光雷达探测到雪的概率随与传感器的距离呈对数正态分布。
A 分析了已有的一些数据集
B 19 提出了使用PCA转换点云为2D 并DBSCAN聚类 移除异常值
!!!点云标注工具 《Semantickitti: A dataset for semantic scene understanding of lidar sequences》
用两个新的标签来代表雪 active-snow 在激光雷达的回波中,主动雪捕捉飘落的雪粒子和相关的杂波噪声。
accumulated-snow 捕捉车辆交通和除雪过程中在可行驶路面上积累的积雪