Validación de la detección de objetos 3D basada en nubes de puntos para la conducción autónoma mediante motores de simulación.

Abstract

La detección de objetos en nubes de puntos es un tema emergente en la conducción autónoma que ha cobrado importancia gracias a los avances en tecnologías de sensores LiDAR (Laser Imaging Detection and Ranging) y técnicas de procesamiento de nubes de puntos.

En este proyecto se ha llevado a cabo una investigación de los modelos de aprendizaje profundo de detección de objetos en nubes de puntos, analizando no solo la fiabilidad de estos sino también a la frecuencia a la que funcionan. Para ello se ha hecho uso del conjunto de datos nuScenes, que permite que los modelos puedan realizar inferencia con una nube de puntos o con varias, acumulando varias nubes en una sola, permitiendo así realizar inferencia en base a una entrada más rica que aporta más información a la red. Se han entrenado los modelos variando la cantidad de nubes de puntos de entrada para posteriormente medir y analizar la diferencia de precisión de los modelos y también la diferencia de frecuencia.

Si bien se ha podido hacer uso del conjunto de datos nuScenes, la recopilación de estos datos requiere una gran cantidad de tiempo y recursos. Además, muchas situaciones son difíciles de adquirir, ya sea por la peligrosidad que suponen o por ser situaciones inusuales. Es ahí donde entran en juego los simuladores de automoción que permiten generar datos sintéticos. Estos datos se utilizan muchas veces para entrenar modelos o validar funciones ADAS (Advanced Driver Assistance Systems), sin embargo, es innegable que existe un domain gap entre los datos reales y sintéticos.

En este proyecto se realiza un estudio de esta brecha de dominio o domain gap. Para ello se hace uso de CARLA, un simulador realista de automoción, y se implementa un código capaz de generar datos sintéticos, a partir de los cuales se crea un conjunto de datos. Este conjunto de datos se utiliza junto al conjunto de datos nuScenes se evalúan algunos modelos del estado del arte en detección de objetos en nubes de puntos para realizar un análisis del comportamiento de los modelos ante ambos tipos de datos.