Optimizing LiDAR Placements for Robust Driving Perception in Adverse Conditions

行车感知系统在面对前所未有的条件时的鲁棒性对于关键的安全应用至关重要。最新的进展促使人们越来越关注多激光雷达感知技术。然而，现有的驾驶数据集主要使用单激光雷达系统，并收集缺乏不利条件的数据，无法准确地捕捉真实世界环境的复杂性。为了解决这些问题，我们提出了Place3D，这是一个完整的流程，包括激光雷达放置优化、数据生成和下游评估。我们的框架提出了三个吸引人的贡献。1）为了确定多激光雷达系统的最有效配置，我们引入了一个语义占用网格的代理度量（M-SOG）来评估激光雷达放置质量。2）利用M-SOG度量，我们提出了一种新的优化策略来优化多激光雷达的放置。3）围绕多条件多激光雷达感知的主题，我们从干净和不利条件下收集了一个包含364,000帧数据的数据集。广泛的实验表明，使用我们方法优化的激光雷达放置优于各种基线。我们展示了在各种恶劣天气和传感器故障条件下，在3D物体检测和激光雷达语义分割任务中具有异常的鲁棒性。代码和基准工具包是公开可用的。

如何提高自动驾驶系统的感知能力，使其在各种复杂情况下都能保持稳定并准确地识别周围环境？

通过多LiDAR感知系统的优化和数据生成，提高自动驾驶系统的感知能力，并在多种复杂情况下展现出良好的稳定性和准确性。

论文提出了一个全流程的框架，包括LiDAR位置优化、数据生成和下游评估，并且收集了一份包含多种复杂情况的数据集。论文提出了一个新的衡量LiDAR位置质量的指标（M-SOG）并使用该指标进行优化。实验结果表明，使用该框架优化的多LiDAR系统在各种复杂情况下都表现出了优异的感知能力。

最近的相关研究主要集中在多LiDAR系统的优化和感知能力的提升上，如《Multi-LiDAR Fusion for 3D Object Detection in Autonomous Driving: A Comprehensive Survey》、《Multi-LiDAR Sensor Placement for 3D Object Detection in Autonomous Driving》等。