Diese Dissertation befasst sich mit dem Sim-to-Real Domain Shift in LiDAR Punktwolken für autonomes Fahren. Sie stellt eine Methode zur Domain Adaptation vor, die auf adversarialem Lernen basiert und sowohl auf Objekt- als auch auf Szenenebene von Punktwolken anwendbar ist. Die Methode zeigt eine erfolgreiche Reduzierung des Domain Shifts, welche durch Objektdetektoren quantifiziert wird. Zukünftige Arbeiten könnten diese Methode auf andere Wahrnehmungsaufgaben ausweiten und somit die kosteneffiziente Entwicklung autonomer Fahrzeuge unterstützen.     «

Diese Dissertation befasst sich mit dem Sim-to-Real Domain Shift in LiDAR Punktwolken für autonomes Fahren. Sie stellt eine Methode zur Domain Adaptation vor, die auf adversarialem Lernen basiert und sowohl auf Objekt- als auch auf Szenenebene von Punktwolken anwendbar ist. Die Methode zeigt eine erfolgreiche Reduzierung des Domain Shifts, welche durch Objektdetektoren quantifiziert wird. Zukünftige Arbeiten könnten diese Methode auf andere Wahrnehmungsaufgaben ausweiten und somit die kostene...     »