LiDAR点云的遮挡感知：黑盒3D目标检测属性图解析

本文主要探讨了基于遮挡的LiDAR数据的三维目标检测器的可解释性问题。随着自动驾驶技术的发展，3D物体检测在激光雷达（LiDAR）传感器获取的点云数据中变得越来越关键。然而，现有的深度神经网络驱动的检测器往往被认为是"黑盒"模型，其内部决策过程缺乏透明度，这对于确保自动驾驶的安全性至关重要。 文章提出了一种创新的方法，即生成属性图，来揭示3D点在预测特定对象时的重要性。这种方法无需依赖模型的结构细节，如参数、激活或梯度，而是通过一种有效的扰动策略，通过对输入点云的随机子集进行测试来估计每个点的重要性。设计的子采样策略考虑到了LiDAR数据特有的深度依赖点密度特性，使得属性图更具有针对性。 生成的属性图直观展示了每个LiDAR点对黑盒检测模型决策的贡献，有助于理解模型如何根据点云数据做出判断。相比于传统的图像数据处理，这种技术对于解析点云模型的决策过程提供了新的视角。作者还展示了通过对比不同3D对象检测架构的属性图，能够深入洞察它们的决策流程，从而促进模型的理解和改进。 总结来说，该研究旨在填补3D LiDAR数据的物体检测模型可解释性的空白，通过属性图的生成，不仅提高了模型的透明度，还为优化和故障诊断提供了有价值的信息。这在自动驾驶这类对安全性要求极高的领域具有重要意义。未来的研究可能进一步探索如何将这种可解释性技术应用于实际系统中，以提升系统的可靠性和信任度。