Jeux de données synthétiques pour la conduite autonome : une revue

Les techniques de conduite autonome se sont épanouies ces dernières années tout en nécessitant d'énormes quantités de données de haute qualité. Cependant, il est difficile pour les jeux de données réels de suivre le rythme des exigences changeantes en raison de leurs coûts expérimentaux et d'étiquetage onéreux et chronophages. Par conséquent, de plus en plus de chercheurs se tournent vers les jeux de données synthétiques pour générer facilement des données riches et variables comme un complément efficace au monde réel et pour améliorer les performances des algorithmes. Dans cet article, nous résumons l'évolution des méthodes de génération de jeux de données synthétiques et passons en revue les travaux à ce jour sur les jeux de données synthétiques liés aux catégories à tâche unique et multi-tâches pour l'étude de la perception en conduite autonome. Nous discutons également du rôle que jouent les jeux de données synthétiques dans l'évaluation, le test de lacunes, et l'effet positif des tests d'algorithmes liés à la conduite autonome, notamment sur les aspects de fiabilité et de sécurité, et fournissons des exemples d'expériences d'évaluation. Enfin, nous discutons des limites et des orientations futures des jeux de données synthétiques. À notre connaissance, il s'agit de la première revue se concentrant sur l'application des jeux de données synthétiques dans la conduite autonome. Cette revue sensibilise également aux problèmes du déploiement réel de la technologie de conduite autonome et offre aux chercheurs une solution possible.