With the development of intelligent and connected vehicles, RSU (roadside unit) sensors are playing an increasingly important role for environment perception. For vehicle detection in autonomous mine, lack of diversity data on RSU LiDAR limits the application of deep learning based methods. To solve this issue, a voxel-based background filtering module is introduced into 3D object detectors for vehicle detection with RSU LiDAR in mine environments. The proposed background filtering method models average height and the number of points for each voxel as Gaussian distribution to generate a background table. To address the impact of the false negative points of the background filtering module, we also propose a multivariate Gaussian loss to model bounding box uncertainty. The predicted covariances between variates help to learn the relationship between the missed parts and the visible ones. Besides, a background filtering based data augmentation method for vehicle detection is also proposed in this paper. Three RSU LiDAR datasets with different terrains in the BaoLi mine area are used for comprehensive experiment evaluations. Experiments show that the proposed background filtering module and multivariate Gaussian loss can significantly improve the generalization ability and performance of several state-of-the-art 3D detectors on different terrain data. Moreover, most background voxels are filtered out, the inference time of the 3D detectors is about 2× faster. Besides, the effectiveness of the proposed data augmentation method is also demonstrated.

中文翻译：

---

使用RSU LiDAR进行自主矿山3D车辆检测

随着智能化和互联车辆的发展，RSU（路边单元）传感器在环境感知中扮演着越来越重要的角色。对于自主矿井中的车辆检测，RSU LiDAR上缺乏多样性数据限制了基于深度学习的方法的应用。为解决此问题，将基于体素的背景过滤模块引入3D对象检测器中，以在矿山环境中使用RSU LiDAR进行车辆检测。提出的背景滤波方法将每个体素的平均高度和点数建模为高斯分布，以生成背景表。为了解决背景滤波模块的假负点的影响，我们还提出了一个多变量高斯损失来对边界框不确定性进行建模。变量之间的预测协方差有助于了解缺失部分与可见部分之间的关​​系。此外，本文还提出了一种基于背景滤波的车辆检测数据增强方法。宝利矿区三个具有不同地形的RSU LiDAR数据集被用于综合实验评估。实验表明，所提出的背景滤波模块和多元高斯损失可以显着提高几种先进3D检测器在不同地形数据上的泛化能力和性能。此外，大多数背景体素被滤除，3D检测器的推理时间快约2倍。此外，还证明了所提出的数据扩充方法的有效性。本文还提出了一种基于背景滤波的车辆检测数据增强方法。宝利矿区三个具有不同地形的RSU LiDAR数据集被用于综合实验评估。实验表明，所提出的背景滤波模块和多元高斯损失可以显着提高几种先进3D检测器在不同地形数据上的泛化能力和性能。此外，大多数背景体素被滤除，3D检测器的推理时间快约2倍。此外，还证明了所提出的数据扩充方法的有效性。本文还提出了一种基于背景滤波的车辆检测数据增强方法。宝利矿区三个具有不同地形的RSU LiDAR数据集被用于综合实验评估。实验表明，所提出的背景滤波模块和多元高斯损失可以显着提高几种先进3D检测器在不同地形数据上的泛化能力和性能。此外，大多数背景体素被滤除，3D检测器的推理时间快约2倍。此外，还证明了所提出的数据扩充方法的有效性。宝利矿区三个具有不同地形的RSU LiDAR数据集被用于综合实验评估。实验表明，所提出的背景滤波模块和多元高斯损失可以显着提高几种先进3D检测器在不同地形数据上的泛化能力和性能。此外，大多数背景体素被滤除，3D检测器的推理时间快约2倍。此外，还证明了所提出的数据扩充方法的有效性。宝利矿区三个具有不同地形的RSU LiDAR数据集被用于综合实验评估。实验表明，所提出的背景滤波模块和多元高斯损失可以显着提高几种先进3D检测器在不同地形数据上的泛化能力和性能。此外，大多数背景体素被滤除，3D检测器的推理时间快约2倍。此外，还证明了所提出的数据扩充方法的有效性。3D检测器的推理时间大约快2倍。此外，还证明了所提出的数据扩充方法的有效性。3D检测器的推理时间大约快2倍。此外，还证明了所提出的数据扩充方法的有效性。