La méthode de données par nuages de points améliore la détection de petits objets pour les véhicules autonomes
La détection d'objets tridimensionnels est cruciale pour les véhicules autonomes. Il utilise les données de nuages de points générées par LiDAR pour aider les véhicules autonomes à identifier les objets environnants. Cette technologie est essentielle pour la sécurité et l’efficacité de la conduite autonome.
Récemment, une équipe de recherche des instituts de sciences physiques Hefei de l'Académie chinoise des sciences a proposé une méthode de détection d'objets 3D par nuage de points basée sur des mécanismes d'attention et une augmentation des données.
« Cela peut aider les voitures autonomes à mieux détecter les petits objets », a déclaré le professeur Wang Zhiling, qui a dirigé l'équipe. Leurs résultats sont publiés dans Transactions IEEE sur les systèmes de transport intelligents.
Les méthodes traditionnelles de détection d'objets convertissent généralement les données de nuages de points clairsemées et non ordonnées en pseudo-images pour extraire des informations ordonnées. Cependant, cette conversion perd souvent des fonctionnalités critiques, ce qui entraîne une baisse de la précision de détection, notamment lors de la détection d'objets plus petits.
Dans cette étude, les chercheurs ont introduit une nouvelle approche, SCNet3D, pour la détection d'objets 3D. Il se concentre sur l’amélioration des fonctionnalités, la préservation des informations et la détection de petits objets en abordant à la fois les fonctionnalités et les données.
Avec cette méthode, ils ont utilisé un module d'amélioration des fonctionnalités, qui applique un mécanisme d'attention pour collecter des fonctionnalités importantes sur trois dimensions, améliorant progressivement les fonctionnalités 3D du local au global.
En outre, la nouvelle approche a adopté le réseau STMod-Convolution (SCNet), qui dispose de deux canaux pour l'extraction de fonctionnalités. Un canal fonctionne sur des fonctionnalités de base, tandis que l'autre gère des fonctionnalités plus complexes et avancées en combinant les informations provenant de pseudo-images vues à vol d'oiseau.
La recherche a également proposé une méthode d’augmentation des données prenant en compte la forme et la distance, qui ajoute des échantillons utiles au nuage de points pendant l’entraînement.
Les tests ont prouvé que cette méthode présente des avantages dans la détection de petits objets, même dans des environnements difficiles avec beaucoup d'interférences. Cela en fait un outil prometteur pour la conduite autonome.
