92,95%-kal valósághűbb ködszimuláció segíti az önvezető autók képzését
Az önvezető járművek biztonságához kulcsfontosságú, hogy a rendszerek rossz időjárási körülmények között is megbízhatóan működjenek, ám a valós, címkézett ködös adatok hiánya eddig komoly akadályt jelentett.
Új megoldást kínál a Waymo Open adathalmaz 270 000 képének felhasználásával a Clear2Fog (C2F) nevű fizikai alapú rendszer, amely valósághű ködöt szimulál tiszta időjárási adatkészleteken — írják az arXiv kutatói.
A C2F egy végponttól végpontig tartó, fizikai alapú folyamat, amely a kamera és a LiDAR szenzorok közötti konzisztenciát is biztosítja. A monokuláris mélységbecslés és egy új légköri fénybecslési módszer alkalmazásával a C2F kiküszöböli a meglévő technikákra jellemző strukturális torzításokat és kromatikus hibákat.
Egy humán percepciós vizsgálat megerősítette a C2F fizikai realizmusát: a generált képeket 92,95%-ban előnyben részesítették egy bevett módszerrel szemben, a kutatók szerint. Ez a magas arány azt jelzi, hogy a mesterségesen generált köd vizuálisan szinte megkülönböztethetetlen a valóditól.
A kutatók kiterjedt adatfelhasználási hatékonysági tanulmányt végeztek, hogy feltárják, hogyan befolyásolja a környezeti sokféleség a modell robusztusságát. Az eredmények azt mutatják, hogy a vegyes sűrűségű ködös adatkészleteken képzett modellek, amelyek különböző szintű környezeti diverzitást tartalmaznak, robusztusabbak az objektumészlelésben kedvezőtlen időjárási körülmények között is.
A Clear2Fog rendszerrel generált adatok segíthetnek áthidalni a valós, címkézett ködös adatok hiányát, ami kritikus az önvezető járművek biztonságos fejlesztéséhez. A tanulmány előnyomtatott formában jelent meg az arXiv preprint szerverén.