AnoVox:自动驾驶中多模态异常检测的基准
附赠自动驾驶最全的学习资料和量产经验:链接
摘要
本文介绍了AnoVox:自动驾驶中多模态异常检测的基准。自动驾驶汽车的普及很大程度上取决于它们处理异常情况的能力,例如道路上的罕见目标。为了处理这种情况,有必要首先检测异常目标。自动驾驶的异常检测在过去几年中取得了巨大进步,但是由于基准设计不佳,过度聚焦于相机数据。本项工作提出了AnoVox,这是迄今为止自动驾驶中最大的异常检测基准。AnoVox结合了大规模多模态传感器数据和空间体素真值,这能够独立于所用传感器进行方法比较。本文提出了常态的正式定义,并且提供了一个兼容的训练数据集。AnoVox是首个同时包含内容异常和时间异常的基准。
主要贡献
本文的贡献总结如下:
1)本文提出了常态的正式定义,并且提供了兼容的训练数据集,用于公平比较异常检测方法;
2)本文提供了大规模且具有挑战性的基准,其具有高度的场景复杂性和时间场景,其中包括很多没有异常的帧;
3)本文提出了首个包含内容异常和时间异常的基准,提供了多模态传感器数据、自车状态信息和真值以及空间体素表示。
论文图片和表格
总结
本项工作提出了用于自动驾驶中异常检测的AnoVox基准,这是首个以RGB图像、激光雷达点云以及空间体素的语义掩码形式提供真值的基准,这使得可以比较基于任意传感器模态的方法。
本文系统性地分析了现有基准的缺陷,最明显的是没有常态的明确定义以及过度聚焦于RGB数据。AnoVox是首个最大的基准,其提供了常态的简明形式,以及符合该定义的训练数据。最后,本文首次深入探索当前最先进的模型在这种新的异常检测基准范式上的表现。结果发现,非常需要异常检测方法来学习基于训练数据的常态,而不是检测与已知城市景观类别的差异。