論文の概要: Real-Time Point Cloud Fusion of Multi-LiDAR Infrastructure Sensor Setups with Unknown Spatial Location and Orientation

• arxiv url: http://arxiv.org/abs/2008.00801v1
• Date: Tue, 28 Jul 2020 08:43:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 02:54:28.303170
• Title: Real-Time Point Cloud Fusion of Multi-LiDAR Infrastructure Sensor Setups with Unknown Spatial Location and Orientation
• Title（参考訳）: 空間的位置と方位が未知なマルチLiDARインフラストラクチャセンサのリアルタイムクラウド融合
• Authors: Laurent Kloeker, Christian Kotulla, Lutz Eckstein
• Abstract要約: 外部からの援助から完全に切り離され、完全に自動的に実行されるアルゴリズムを提案する。 本手法は,LiDAR点雲の高精度融合に焦点を当てる。 シミュレーションおよび実測値を用いた実験により,64層LiDARの連続点雲登録をリアルタイムに行うことを確認した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The use of infrastructure sensor technology for traffic detection has already been proven several times. However, extrinsic sensor calibration is still a challenge for the operator. While previous approaches are unable to calibrate the sensors without the use of reference objects in the sensor field of view (FOV), we present an algorithm that is completely detached from external assistance and runs fully automatically. Our method focuses on the high-precision fusion of LiDAR point clouds and is evaluated in simulation as well as on real measurements. We set the LiDARs in a continuous pendulum motion in order to simulate real-world operation as closely as possible and to increase the demands on the algorithm. However, it does not receive any information about the initial spatial location and orientation of the LiDARs throughout the entire measurement period. Experiments in simulation as well as with real measurements have shown that our algorithm performs a continuous point cloud registration of up to four 64-layer LiDARs in real-time. The averaged resulting translational error is within a few centimeters and the averaged error in rotation is below 0.15 degrees.
• Abstract（参考訳）: 交通検知におけるインフラセンサ技術の使用はすでに数回実証されている。 しかし、外部センサーキャリブレーションはオペレーターにとって依然として課題である。 センサフィールドオブビュー(fov, sensor field of view)における参照オブジェクトを使用せずにセンサを校正することはできないが,外部支援から完全に切り離され,自動的に実行されるアルゴリズムを提案する。 本手法は,lidar点雲の高精度融合に着目し,実測値だけでなくシミュレーションにより評価する。 我々はLiDARを連続的な振り子運動に設定し、実世界の動作をできるだけ密にシミュレートし、アルゴリズムの要求を増大させる。 しかし、測定期間全体を通してLiDARの初期空間的位置と方向に関する情報は得られていない。 シミュレーションおよび実測値を用いた実験により,64層LiDARの連続点雲登録をリアルタイムに行うことを確認した。 平均的な翻訳誤差は数センチ以内であり、回転の平均誤差は0.15度以下である。

関連論文リスト

• Image-Guided Outdoor LiDAR Perception Quality Assessment for Autonomous Driving [107.68311433435422]
  本研究では,屋外自動運転環境を対象とした画像誘導点雲質評価アルゴリズムを提案する。 IGO-PQA生成アルゴリズムは、単一フレームのLiDARベースのポイントクラウドに対して、全体的な品質スコアを生成する。 第2のコンポーネントは、非参照アウトドアポイントクラウド品質評価のためのトランスフォーマーベースのIGO-PQA回帰アルゴリズムである。
  論文  参考訳（メタデータ） (2024-06-25T04:16:14Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
  本稿では,自動車用レーダセンサの自動校正手法を提案する。 本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。 実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
  論文  参考訳（メタデータ） (2023-06-23T07:01:10Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• TrajMatch: Towards Automatic Spatio-temporal Calibration for Roadside LiDARs through Trajectory Matching [12.980324010888664]
  我々は,道路沿いのLiDARを時間と空間の両方で自動調整できる最初のシステムであるTrajMatchを提案する。 実験の結果,TrajMatchは空間キャリブレーション誤差が10cm未満であり,時間キャリブレーション誤差が1.5ms未満であることがわかった。
  論文  参考訳（メタデータ） (2023-02-04T12:27:01Z)
• Deep Learning for Inertial Sensor Alignment [1.9773109138840514]
  慣性測定ユニット(IMU)を装備したスマートフォンのヨー装着角度を学習し,車に装着するデータ駆動型アプローチを提案する。 提案モデルは、IMUからの加速度計とジャイロスコープのみを入力として使用する。 トレーニングされたモデルはAndroidデバイスにデプロイされ、推定されたヨー装着角度の精度をテストするためにリアルタイムで評価される。
  論文  参考訳（メタデータ） (2022-12-10T07:50:29Z)
• 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)
• DICP: Doppler Iterative Closest Point Algorithm [5.934931737701265]
  本稿では,瞬時視線速度を計測できる距離センサの点雲登録のための新しいアルゴリズムであるドップラーICPを提案する。 本稿では,各点のドップラー計測とセンサの現在の動き推定との整合性を利用した新しいドップラー速度客観的関数を提案する。 その結果,ドップラー速度勾配によって導かれる高速収束の利点を付加することにより,登録精度において大幅な性能向上が得られた。
  論文  参考訳（メタデータ） (2022-01-28T05:51:07Z)
• Trust Your IMU: Consequences of Ignoring the IMU Drift [2.253916533377465]
  本研究では,未知の焦点長と半径歪みプロファイルを持つ相対ポーズ問題を共同で解くための最初の解法を開発した。 部分校正されたセットアップでは,精度が小さく,あるいは無視できるような,最先端のアルゴリズムに比べて大幅なスピードアップを示す。 市販の異なる低コストのUAV上で提案されたソルバーを評価し、IMUドリフトに関する新しい仮定が実用アプリケーションで実現可能であることを実証する。
  論文  参考訳（メタデータ） (2021-03-15T11:24:54Z)
• Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
  本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。 提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
  論文  参考訳（メタデータ） (2021-01-12T12:02:26Z)
• Efficient Real-Time Radial Distortion Correction for UAVs [1.7149364927872015]
  慣性測定ユニット(IMU)を備えた無人航空機(UAV)の車載半径歪み補正のための新しいアルゴリズムを提案する。 このアプローチは校正手順を冗長にし、即時光の交換を可能にする。 焦点長, 半径歪み分布, 運動パラメータをホモグラフから同時に推定する高速で頑健な最小解法を提案する。
  論文  参考訳（メタデータ） (2020-10-08T18:34:56Z)

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。