PhyDAWS: Physikalisch inspirierte Datenaugmentierung mit Wettersimulation für domänen-generalisiertes Punktwolkensegmentierung

Die Leistung der semantischen Segmentierung von Punktwolken in autonomen Fahrsystemen verschlechtert sich erheblich unter ungünstigen Wetterbedingungen, was eine Herausforderung für einen zuverlässigen Einsatz darstellt. Aktuelle Datenaugmentierungsmethoden für die Domänenverallgemeinerung modellieren häufig die physikalischen Wechselwirkungen zwischen LiDAR-Sensoren und atmosphärischen Partikeln, die spezifisch für verschiedene Wetterphänomene sind, unzureichend. Dieses Papier stellt PhyDAWS vor, ein physikalisch inspiriertes Datenaugmentierungsrahmenwerk, das für die Domänenverallgemeinerung in der Punktwolkensegmentierung entwickelt wurde. Es zielt darauf ab, die Robustheit des Modells unter verschiedenen Wetterbedingungen mithilfe von nur Daten aus der Ausgangsdomäne für das Training zu verbessern. PhyDAWS integriert zwei komplementäre Wettersimulationstechniken. Die erste ist eine phänomenologische Methode, die winkelabhängige Okklusion (Regen), höhenabhängige Dichtevariation (Schnee) und abstandsabhängige Dämpfung (Nebel) modelliert. Die zweite ist eine Simulation, die auf der Mie-Streuungstheorie basiert und Partikelgrößenverteilungen, Brechungsindizes und wellenlängenabhängige Streuung berücksichtigt. Diese physikalisch inspirierten Augmentierungen sind mit einer dualen kontrastiven Lernstrategie kombiniert, um die Extraktion wetterinvarianter Merkmale zu fördern. Bewertungen an Benchmarks zur Domänenverallgemeinerung, einschließlich SemanticKITTI zu SemanticSTF und SynLiDAR zu SemanticSTF-Übertragungen, zeigen die Effektivität des Rahmens. Insbesondere für die Aufgabe von SemanticKITTI zu SemanticSTF erzielt PhyDAWS Verbesserungen im mittleren Verhältnis der Überlappung (mIoU) von 4,1% bis 10,3% im Vergleich zu aktuellen state-of-the-art Ansätzen. Durch das Überbrücken der Domänenschere zwischen klarem und ungünstigem Wetter verbessert diese Methode die Fähigkeit autonomer Systeme zur zuverlässigen Umwelterkennung unter verschiedenen, unbekannten ungünstigen Bedingungen. • Physikalisch inspirierte Wettersimulation für domänen-generalisiertes LiDAR-Segmentierung. • Phänomenologische und Mie-Streitungsmodelle für realistische Punktwolken-Augmentierung. • Robustes Wahrnehmungsrahmenwerk unter verschiedenen und unbekannten ungünstigen Wetterbedingungen.