Real-Time LiDAR object detection on edge devices via adaptive cropping

3d object detection from LiDAR data is the main approach for predicting bounding box in autonomous vehicles. These detectors employ deep learning models to learn the features of a point cloud, requiring high computational resources. Recent advances in the development of AI edge devices open up opportunities for using these methods in real-world applications, both for autonomous driving and vehicle-to-everything (V2X) communication. However, most models in the literature have been evaluated on high-performance PCs, equipped with multiple GPUs and optimized for processing stand-alone point clouds. In this work, we focus instead on streaming data and develop a new strategy to maintain model accuracy while enhancing power efficiency. Our procedure consists in preserving the predicted bounding boxes, projecting them into the frame of the subsequent point cloud, using their speed estimation, and retaining only the points within these projected boxes. Our results on the NuScenes Mini dataset show that the proposed cropping strategy can be used to reduce the computational overhead associated with processing the entire point cloud while maintaining high detection accuracy.

Il rilevamento di oggetti 3D dai dati LiDAR è l'approccio principale per prevedere il riquadro di delimitazione nei veicoli a guida autonoma. Questi rilevatori utilizzano modelli di deep learning per apprendere le caratteristiche di una nuvola di punti, richiedendo elevate risorse computazionali. I recenti progressi nello sviluppo di dispositivi edge basati sull’intelligenza artificiale aprono opportunità per l’utilizzo di questi metodi in applicazioni del mondo reale, sia per la guida autonoma che per la comunicazione Vehicle-to-Everything (V2X). Tuttavia, la maggior parte dei modelli in letteratura sono stati valutati su PC ad alte prestazioni, dotati di più GPU e ottimizzati per l'elaborazione di nuvole di punti autonome. In questo lavoro, ci concentreremo invece sullo streaming dei dati e svilupperemo una nuova strategia per mantenere l’accuratezza del modello migliorando al tempo stesso l’efficienza energetica. La nostra procedura consiste nel preservare i riquadri di delimitazione previsti, proiettandoli nel quadro della nuvola di punti successiva, utilizzando la stima della loro velocità, e conservando solo i punti all'interno di questi riquadri proiettati.