本文贡献:
- 开发一种有效的雾模拟方法,适用于所有lidar数据集。能够有效获取大规模带雾的数据。
- 通过实验论证提出的雾模拟可以用来显著提升有雾状态下的3D对象检测。
介绍:
已有数据集:激光雷达在近红外光谱( 850 and 903 to 905 nm wavelength)穿不过水滴。直到最近,加拿大不利驾驶条件 (CADC) 数据集 [28] 和透视雾 (STF) 数据集 [2] 才解决了此类评估的需求。 CADC 侧重于降雪,而 STF 则针对雾、雨和雪下的评估。因此,仍然没有大量可用于训练深度神经网络的 LiDAR 模糊数据。
雾引入的噪声:显示了雾引入的噪声的一个有趣特征,即它不是均匀分布在传感器周围的。相反,噪声的存在取决于距离传感器一定范围以下的视线内是否有目标。如果在中等范围内有一个固体物体,则来自各个脉冲的虚假返回(如果有的话)很少。另一方面,如果在一定范围以下的视线内没有目标,则有很多由雾引起的虚假返回。
网络 | 对象 | 特点 |
Pointnet | 点云 | 网络架构对输入扰动具有鲁棒性,因此点输入网络的顺序不会影响其性能 |
VoxelNet | 体素 | 利用类似 PointNet 的层来处理每个体素。由于它是计算密集型的 3D 卷积,因此它是一个相当繁重的架构 |
PointPillar | 摆脱了高度域中的量化,而是在 3D 柱状网格中处理点云。(回退到更快的2D卷积) |
Lidar系统的光学模型
就是这个交叉函数呢。根据经验,只要lidar距离目标2米以上就是1
就可以推出晴天无雾时候的接受功率。
然后考虑雾天有雾的情况下
把目标回波拆分成soft和hard两个部分,soft就是雾里面传过来的回波,hard还是物体反射的回波:
Hc(R)是知道的,所以这个脉冲响应函数:
这个积分呢是不大好算的,但是可以用数字计算的方法把结果弄出来。
所以最终的输入参数就是如下四个:
α | 空间变化的衰减系数,取决于天气 |
β | 反向散射系数,作者假设是常数 |
β0 | 差分反射率 |
半波长度 |