3D-FAD：基于信息量的多模态3D物体检测技术，应用于联邦自动驾驶系统

《ACM Transactions on Sensor Networks》：3D-FAD: Informativeness-guided Multimodal 3D Object Detection for Federated Autonomous Driving

　　

摘要 AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

自动驾驶已应用于各种领域，包括出租车、物流和农业，以解决劳动力短缺问题并提高安全性。其中一个关键组成部分是3D物体检测，它依赖于深度神经网络（DNN），这些网络整合了激光雷达（LiDAR）和摄像头数据以实现稳健的道路规划。联邦自动驾驶（FAD）利用联邦学习（FL）来训练这些DNN，以满足对多样化训练数据集的需求，同时保护客户隐私。然而，由于没有充分考虑模态异质性和信息量，将现有的FAD框架扩展到3D物体检测仍然具有挑战性。本文介绍了3D-FAD，这是一个开创性的、基于信息量的多模态FAD框架。3D-FAD首次通过基于卷积的编码器将模态信息量明确整合到多模态3D物体检测中，从而在服务器端实现高效的客户选择和数据聚合。此外，3D-FAD引入了掩码模态自编码器，用于补充那些激光雷达视野有限或使用低成本摄像头的实际自动驾驶系统中的数据不足。我们在nuScene和Waymo等实际自动驾驶数据集上的实验表明，3D-FAD在关键指标上的表现优于基线模型，提高了34.1%和39.2%，并且在不同物体类别和环境中也表现出更好的性能。

AI摘要

AI生成的摘要（实验性)

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现研究内容、评估其相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍是文章的官方总结。完整文章才是权威版本。点击此处了解更多关于ACM AI摘要的信息。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。