自动驾驶系统中基于学习的相机和激光雷达仿真方法综述

点击下方卡片，关注“自动驾驶专栏”公众号

自动驾驶干货 ，即可获取

• 论文链接： https://arxiv.org/pdf/2402.10079.pdf

摘要

本文介绍了自动驾驶系统中基于学习的相机和激光雷达仿真方法综述。感知传感器（特别是相机和激光雷达）是自动驾驶系统（ADS）的关键元件，使其能够理解周围环境，从而做出明智的驾驶和控制决策。因此，开发逼真的相机和激光雷达仿真方法（也称为相机和激光雷达模型）对于有效地进行ADS仿真测试是至关重要的。此外，基于深度学习的感知模型的兴起推动了感知传感器模型作为合成不同训练数据集的宝贵工具的普及。传统的传感器仿真方法依赖于计算成本高昂的物理算法，特别是对于ADS等复杂的系统。因此，当前的潜在方向在于基于学习的模型，这是由深度生成模型在合成高维数据方面取得的成功所驱动的。本文回顾了当前基于学习的传感器仿真方法和验证方法的最新进展，着重于两种主要类型的感知传感器：相机和激光雷达。本综述涵盖了两类基于学习的方法，即基于原始数据的模型和基于目标的模型。基于原始数据的方法与采用的学习策略有关，而基于目标的模型则根据误差类型进行分类。最后，本文阐述了用于评估感知传感器模型的常用验证技术，并且强调了该领域中现有的研究空缺。

主要贡献

本文的贡献总结如下：

1）本文对基于学习的相机和激光雷达仿真方法进行全面的文献综述，特别强调了根植于深度生成模型的最新技术；

2）本文讨论了基于学习的感知传感器仿真的一个新视角，探索了无监督学习方法和监督学习方法；

3）本文提供了基于学习的感知传感器模型验证方法的详细解释和分类。

论文图片和表格

总结

本篇综述讨论了用于ADS开发和验证的最先进的基于学习的相机和激光雷达仿真技术。本篇综述从无监督建模方法和监督建模方法的角度涵盖了文献中基于原始数据和基于目标的传感器模型。此外，本文还强调了传感器模型验证的重要性，探索了该领域中采用的各种方法。

尽管近年来基于学习的传感器模型（特别是那些基于深度学习的模型）已经展现出有前景的结果，但是人们对其可解释性和可靠性仍然存在担忧，特别是在具有挑战性的场景中。此外，这些模型大多已经应用于离线应用（例如增强下游感知算法）。基于深度学习的模型还带来了信任价值问题，因为它们在泛化到训练数据分布之外的场景时遇到了困难。此外，缺乏标准化机制或者基准来评估传感器模型在表示现实世界传感器行为时的保真度，这突出了当前验证技术中的关键差距。我们希望本篇综述为进一步研究打开大门，旨在提高ADS应用背景下基于学习的传感器模型的可靠性、效率和保真度。

点击下方卡片，关注“自动驾驶专栏”公众号

自动驾驶干货 ，即可获取

【自动驾驶专栏论文速递】是自动驾驶专栏推出的板块，争取每日更新！旨在引领自动驾驶领域相关人员快速了解行业最新技术，对于具有代表性的研究成果，也会进行详细解读！请大家多多支持！蟹蟹~