Fugu-MT 論文翻訳(概要): Towards a MEMS-based Adaptive LIDAR

論文の概要: Towards a MEMS-based Adaptive LIDAR

arxiv url: http://arxiv.org/abs/2003.09545v2
Date: Fri, 16 Oct 2020 05:12:19 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 13:17:20.409832
Title: Towards a MEMS-based Adaptive LIDAR
Title（参考訳）: MEMSを用いたAdaptive LIDARの実現に向けて
Authors: Francesco Pittaluga, Zaid Tasneem, Justin Folden, Brevin Tilmon, Ayan Chakrabarti, Sanjeev J. Koppal
Abstract要約: 走査型MEMSミラーを用いて高速なスパース深度測定を可能にする光学的セットアップとキャリブレーションについて述べる。動的シーンに対して適応的な深度センサを実現することができることを示すCNNを用いた深度マップ補完実験について述べる。
参考スコア（独自算出の注目度）: 15.226459119095512
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a proof-of-concept LIDAR design that allows adaptive real-time measurements according to dynamically specified measurement patterns. We describe our optical setup and calibration, which enables fast sparse depth measurements using a scanning MEMS (micro-electro-mechanical) mirror. We validate the efficacy of our prototype LIDAR design by testing on over 75 static and dynamic scenes spanning a range of environments. We show CNN-based depth-map completion experiments which demonstrate that our sensor can realize adaptive depth sensing for dynamic scenes.
Abstract（参考訳）: 本稿では,動的に特定された計測パターンに応じた適応的リアルタイム計測を可能にする概念実証ライダー設計を提案する。走査型MEMS(micro-electro-mechanical)ミラーを用いて高速なスパース深度測定を可能にする光学セットアップとキャリブレーションについて述べる。様々な環境にまたがる75以上の静的および動的シーンでテストすることにより,プロトタイプのlidar設計の有効性を検証する。動的シーンに対して適応的な深度センサを実現することができることを示すCNNを用いた深度マップ補完実験を行った。

関連論文リスト

Superresolving optical ruler based on spatial mode demultiplexing for systems evolving under Brownian motion [0.0]
任意の相対輝度を持つ2つの弱非コヒーレント源系の中心のブラウン運動が適応SPADE測定精度限界に及ぼす影響について検討した。レイリーの呪いはそのようなシナリオに存在するが、SPADE測定は完全な直接撮像より優れている。
論文参考訳（メタデータ） (2024-07-18T17:23:14Z)
GelFlow: Self-supervised Learning of Optical Flow for Vision-Based Tactile Sensor Displacement Measurement [23.63445828014235]
本研究では,視覚に基づく触覚センサの変位計測において,深層学習に基づく自己監督型光フロー法を提案する。提案する自己教師型ネットワークを,オープンソースデータセットを用いて訓練し,従来型およびディープラーニングベースの光フロー手法と比較した。
論文参考訳（メタデータ） (2023-09-13T05:48:35Z)
LiDAR Meta Depth Completion [47.99004789132264]
本稿では,データパターンを用いてタスクネットワークを学習し,与えられた深度完了タスクを効果的に解決するメタ深度補完ネットワークを提案する。一つのモデルを用いて、異なるLiDARパターンで訓練された非適応ベースラインよりも、はるかに優れた結果が得られる。これらの利点は、異なるセンサーに単一の深度補完モデルの柔軟な展開を可能にする。
論文参考訳（メタデータ） (2023-07-24T13:05:36Z)
Sensor Equivariance by LiDAR Projection Images [4.413278371057897]
本稿では、関連する投影特性を符号化した追加チャネルによる従来の画像データの拡張を提案する。これは、LiDARのような投影型センサーにおけるセンサ依存オブジェクト表現の問題に対処する。
論文参考訳（メタデータ） (2023-04-29T10:16:02Z)
MOISST: Multimodal Optimization of Implicit Scene for SpatioTemporal calibration [4.405687114738899]
コンピュータグラフィックスと暗黙のボリュームシーン表現の最近の進歩を利用して、マルチセンサ空間と時間的キャリブレーションの問題に取り組む。本手法は,非制御・非構造都市環境におけるデータからの高精度でロバストなキャリブレーションを可能にする。本研究では,都市部における自律走行シナリオにおける手法の精度とロバスト性を実証する。
論文参考訳（メタデータ） (2023-03-06T11:59:13Z)
Support Vector Machine for Determining Euler Angles in an Inertial Navigation System [55.41644538483948]
本稿では,機械学習(ML)法を用いたMEMSセンサを用いた慣性ナビゲーションシステムの精度向上について論じる。提案アルゴリズムは,MEMSセンサに典型的なノイズの存在を正しく分類できることを実証した。
論文参考訳（メタデータ） (2022-12-07T10:01:11Z)
Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文参考訳（メタデータ） (2022-09-22T13:12:54Z)
Multitask AET with Orthogonal Tangent Regularity for Dark Object Detection [84.52197307286681]
暗黒環境下でのオブジェクト検出を強化するために,新しいマルチタスク自動符号化変換(MAET)モデルを提案する。自己超越的な方法で、MAETは、現実的な照明劣化変換を符号化して復号することで、本質的な視覚構造を学習する。我々は,合成および実世界のデータセットを用いて最先端のパフォーマンスを達成した。
論文参考訳（メタデータ） (2022-05-06T16:27:14Z)
Sensor-Guided Optical Flow [53.295332513139925]
本稿では、未知の領域や未知の領域において、より優れた精度を実現するために、外部キューを用いた光フローネットワークを誘導するフレームワークを提案する。能動センサからの深度測定と幾何および手作り光学フローアルゴリズムを組み合わせることで,これらがどのように得られるかを示す。
論文参考訳（メタデータ） (2021-09-30T17:59:57Z)
CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
論文参考訳（メタデータ） (2020-12-18T09:42:54Z)

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。