Image-Guided Outdoor LiDAR Perception Quality Assessment for Autonomous Driving

LiDAR是自动驾驶感知中最关键的传感器之一。然而，目前基于LiDAR的点云感知算法缺乏全面且严格的LiDAR质量评估方法，导致检测性能存在不确定性。此外，现有的点云质量评估算法主要针对室内环境或单个物体场景设计。本文介绍了一种新颖的基于图像引导的用于户外自动驾驶环境的点云质量评估算法，名为Image-Guided Outdoor Point Cloud Quality Assessment（IGO-PQA）算法。我们提出的算法包括两个主要组成部分。第一个组成部分是IGO-PQA生成算法，它利用点云数据、对应的RGB周围视图图像和代理对象的地面实况注释，为单帧基于LiDAR的点云生成一个总体质量得分。第二个组成部分是基于转换器的IGO-PQA回归算法，用于无参考户外点云质量评估。这个回归算法允许在在线模式下直接预测IGO-PQA得分，而不需要图像数据和物体实况注释。我们使用nuScenes和Waymo开放数据集评估了我们提出的算法。IGO-PQA生成算法提供了一致且合理的感知质量指标。此外，我们提出的IGO-PQA回归算法在nuScenes数据集上实现了0.86的Pearson线性相关系数，在Waymo数据集上实现了0.97的Pearson线性相关系数。

本文旨在解决自动驾驶环境下，当前LiDAR点云感知算法缺乏全面和严格的质量评估方法，导致检测性能存在不确定性的问题。

本文提出了一种基于图像引导的点云质量评估算法，即IGO-PQA算法，用于自动驾驶环境下的点云质量评估。

本文算法包括两个主要组件：IGO-PQA生成算法和基于变压器的IGO-PQA回归算法。实验使用nuScenes和Waymo数据集，评估结果表明，IGO-PQA算法提供了一致和合理的感知质量指数。IGO-PQA回归算法在nuScenes数据集上达到了0.86的Pearson线性相关系数，在Waymo数据集上达到了0.97的相关系数。

与本文相关的研究包括LiDAR感知算法和点云质量评估算法。其中，LiDAR感知算法的研究包括PointNet、PointRCNN等。点云质量评估算法的研究包括基于深度学习的方法和传统的几何学方法。