Evaluación de modelos de DL en nubes de puntos LiDAR para aplicaciones de automoción en tiempo real

Este trabajo presenta una evaluación de la precisión, el rendimiento y el consumo de recursos de modelos de Deep Learning para nubes de puntos 3D orientados a aplicaciones de automoción en tiempo real. En concreto, se han evaluado los modelos Point-Net, PointNet++, PointPillars y PointRCNN en la tarea de clasificación. Para ello, se han desarrollado dos aplicaciones: un pipeline con ROS2 para la identificación, clasificación y seguimiento de objetos en tiempo real; y una herramienta de evaluación que permite comparar modelos en función de un conjunto de métricas configurables. Los resultados obtenidos, utilizando el dataset KITTI y bajo las condiciones empleadas en este estudio, señalan a PointPillars como el modelo mejor balanceado en cuanto a rendimiento y precisión. Por su parte, PointRCNN se posiciona como el más preciso, mientras que PointNet destaca por ofrecer el menor tiempo de inferencia. Con respecto al uso de recursos, aunque PointRCNN y PointPillars son modelos significativamente más pesados, presentan un consumo de memoria por objeto inferior al de PointNet y PointNet++ durante el procesamiento. Por último, todos los modelos requirieron aceleración mediante GPU para completar la tarea de inferencia dentro de las condiciones de tiempo real establecidas en el pipeline desarrollado.

keywords: Deep learning, Nubes de puntos 3D, LiDAR, Tracking en tiempo real, Automoción