論文の概要: 3D Point Cloud Processing and Learning for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2003.00601v1
- Date: Sun, 1 Mar 2020 22:13:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 13:23:14.312188
- Title: 3D Point Cloud Processing and Learning for Autonomous Driving
- Title（参考訳）: 自動運転のための3Dポイントクラウド処理と学習
- Authors: Siheng Chen and Baoan Liu and Chen Feng and Carlos Vallespi-Gonzalez
and Carl Wellington
- Abstract要約: 本稿では,自動運転のための3Dポイントクラウド処理と学習についてレビューする。
LiDARセンサーは、オブジェクトやシーンの外面を正確に記録する3Dポイントの雲を収集する。
- 参考スコア（独自算出の注目度）: 26.285659927609213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a review of 3D point cloud processing and learning for autonomous
driving. As one of the most important sensors in autonomous vehicles, light
detection and ranging (LiDAR) sensors collect 3D point clouds that precisely
record the external surfaces of objects and scenes. The tools for 3D point
cloud processing and learning are critical to the map creation, localization,
and perception modules in an autonomous vehicle. While much attention has been
paid to data collected from cameras, such as images and videos, an increasing
number of researchers have recognized the importance and significance of LiDAR
in autonomous driving and have proposed processing and learning algorithms to
exploit 3D point clouds. We review the recent progress in this research area
and summarize what has been tried and what is needed for practical and safe
autonomous vehicles. We also offer perspectives on open issues that are needed
to be solved in the future.
- Abstract（参考訳）: 本稿では,自動運転のための3Dポイントクラウド処理と学習についてレビューする。
自動運転車における最も重要なセンサーの1つとして、光検出と測光(LiDAR)センサーは、物体やシーンの外面を正確に記録する3Dポイントの雲を収集する。
3dポイントクラウド処理と学習のためのツールは、自動運転車のマップ作成、ローカライズ、知覚モジュールに不可欠である。
画像やビデオなどのカメラから収集されたデータには多くの注意が払われているが、自動運転におけるlidarの重要性と重要性を認識し、3dポイントクラウドを利用するための処理と学習アルゴリズムを提案している研究者も増えている。
この研究領域における最近の進歩を概観し、実際に安全な自動運転車に必要なものについて概観する。
また、将来的に解決する必要があるオープンな問題についても見解を提供しています。
関連論文リスト
- Cross-Modal Self-Supervised Learning with Effective Contrastive Units for LiDAR Point Clouds [34.99995524090838]
LiDARポイントクラウドにおける3D知覚は、自動運転車が3D環境で適切に機能するためには不可欠である。
3次元知覚モデルの自己教師付き事前学習への関心が高まっている。
我々は、自動運転点雲に適したインスタンス認識および類似性バランスのコントラストユニットを提案する。
論文 参考訳（メタデータ） (2024-09-10T19:11:45Z) - Monocular 3D lane detection for Autonomous Driving: Recent Achievements, Challenges, and Outlooks [10.780826266192621]
道路構造や交通情報を3次元空間で抽出するため, 自動走行には3次元車線検出が不可欠である。
近年の視覚知覚の進歩は, 信頼性の高い3次元車線検出アルゴリズムの開発に不適切と思われる。
本稿では,3次元車線検出研究の成果を振り返って分析する。
論文 参考訳（メタデータ） (2024-04-10T09:35:50Z) - Deep learning for 3D Object Detection and Tracking in Autonomous
Driving: A Brief Survey [3.224562109592693]
3Dポイントのクラウド学習は、他のあらゆるタイプの自動運転データの中で、ますます注目を集めている。
本稿では,3次元物体検出・追跡のためのディープラーニング手法の最近の進歩を示す。
論文 参考訳（メタデータ） (2023-11-10T13:03:37Z) - HUM3DIL: Semi-supervised Multi-modal 3D Human Pose Estimation for
Autonomous Driving [95.42203932627102]
3Dの人間のポーズ推定は、自動運転車が歩行者の微妙で複雑な振る舞いを知覚し理解できるようにする新しい技術である。
提案手法は,これらの補完信号を半教師付き方式で効率的に利用し,既存の手法よりも大きなマージンで性能を向上する。
具体的には、LiDAR点を画素整列マルチモーダル特徴に埋め込み、トランスフォーマーの精細化段階を経る。
論文 参考訳（メタデータ） (2022-12-15T11:15:14Z) - Real-Time And Robust 3D Object Detection with Roadside LiDARs [20.10416681832639]
道路沿いのLiDARにおける交通参加者をリアルタイムに検出できる3次元物体検出モデルを設計する。
我々のモデルは既存の3D検出器をベースラインとして使用し、精度を向上させる。
スマートシティのアプリケーションに使用できるLiDARベースの3D検出器に多大な貢献をしています。
論文 参考訳（メタデータ） (2022-07-11T21:33:42Z) - 3D Object Detection for Autonomous Driving: A Comprehensive Survey [48.30753402458884]
自動運転車の近くで重要な3Dオブジェクトの位置、サイズ、カテゴリをインテリジェントに予測する3Dオブジェクト検出は、認識システムの重要な部分である。
本稿では,自律運転における3次元物体検出技術の進歩を概観する。
論文 参考訳（メタデータ） (2022-06-19T19:43:11Z) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳（メタデータ） (2021-06-21T12:28:08Z) - PC-DAN: Point Cloud based Deep Affinity Network for 3D Multi-Object
Tracking (Accepted as an extended abstract in JRDB-ACT Workshop at CVPR21) [68.12101204123422]
点雲は3次元座標における空間データの密集したコンパイルである。
我々は3次元多目的追跡(MOT)のためのPointNetベースのアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-03T05:36:39Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z) - Deep Learning for LiDAR Point Clouds in Autonomous Driving: A Review [33.56857661598032]
我々は、LiDARポイントクラウドに適用された既存の魅力的なディープラーニングアーキテクチャを体系的にレビューする。
この調査では、過去5年間に140以上の重要なコントリビューションがまとめられている。
論文 参考訳（メタデータ） (2020-05-20T03:01:40Z) - Deep Learning for 3D Point Clouds: A Survey [58.954684611055]
本稿では,ポイントクラウドにおけるディープラーニング手法の最近の進歩を概観する。
3D形状分類、3Dオブジェクトの検出と追跡、3Dポイントクラウドセグメンテーションを含む3つの主要なタスクをカバーしている。
また、いくつかの公開データセットで比較結果を提示する。
論文 参考訳（メタデータ） (2019-12-27T09:15:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。