論文の概要: Radar-based Dynamic Occupancy Grid Mapping and Object Detection

• arxiv url: http://arxiv.org/abs/2008.03696v1
• Date: Sun, 9 Aug 2020 09:26:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 04:15:40.478990
• Title: Radar-based Dynamic Occupancy Grid Mapping and Object Detection
• Title（参考訳）: レーダに基づく動的占有グリッドマッピングと物体検出
• Authors: Christopher Diehl, Eduard Feicho, Alexander Schwambach, Thomas Dammeier, Eric Mares, Torsten Bertram
• Abstract要約: 近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。 本稿では,従来のアプローチのさらなる発展について述べる。 複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
• 参考スコア（独自算出の注目度）: 55.74894405714851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Environment modeling utilizing sensor data fusion and object tracking is crucial for safe automated driving. In recent years, the classical occupancy grid map approach, which assumes a static environment, has been extended to dynamic occupancy grid maps, which maintain the possibility of a low-level data fusion while also estimating the position and velocity distribution of the dynamic local environment. This paper presents the further development of a previous approach. To the best of the author's knowledge, there is no publication about dynamic occupancy grid mapping with subsequent analysis based only on radar data. Therefore in this work, the data of multiple radar sensors are fused, and a grid-based object tracking and mapping method is applied. Subsequently, the clustering of dynamic areas provides high-level object information. For comparison, also a lidar-based method is developed. The approach is evaluated qualitatively and quantitatively with real-world data from a moving vehicle in urban environments. The evaluation illustrates the advantages of the radar-based dynamic occupancy grid map, considering different comparison metrics.
• Abstract（参考訳）: センサデータ融合と物体追跡を利用した環境モデリングは安全な自動運転に不可欠である。 近年,静的な環境を想定した古典的占有グリッドマップは,低レベルのデータ融合の可能性を維持しつつ,動的局所環境の位置と速度分布を推定するダイナミック占有グリッドマップに拡張されている。 本稿では,従来のアプローチのさらなる発展について述べる。 著者の知識を最大限に活用するために,レーダデータのみに基づく動的占有グリッドマッピングとその後の解析に関する出版物は存在しない。 そこで本研究では,複数のレーダセンサのデータを融合し,グリッドを用いた物体追跡・マッピング手法を適用した。 その後、動的領域のクラスタリングは高レベルなオブジェクト情報を提供する。 比較のためにlidarベースの手法も開発されている。 本手法は都市環境における移動車からの実世界データと質的,定量的に評価する。 この評価は、異なる比較指標を考慮して、レーダベースの動的占有グリッドマップの利点を示す。

関連論文リスト

• Deep Generic Dynamic Object Detection Based on Dynamic Grid Maps [39.58317527488534]
  本稿では,自動走行のためのジェネリック・ダイナミック・オブジェクトを検出する手法について述べる。 動的オブジェクトの存在を推測するために、LiDARベースの動的グリッドがオンラインで生成される。 ディープラーニングに基づく検出器は、任意のタイプの動的オブジェクトの存在を推測するために、動的グリッド上で訓練される。
  論文  参考訳（メタデータ） (2024-10-18T18:15:32Z)
• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• ERASOR++: Height Coding Plus Egocentric Ratio Based Dynamic Object Removal for Static Point Cloud Mapping [5.056432027978704]
  3Dポイントクラウドマップの動的オブジェクトは、地図歪みと長いトレースを導入することができる。 本研究では,Pseudo OccupancyのEgocentric Ratioに基づく動的オブジェクトの効率的な除去手法であるERASOR++を提案する。 提案手法は既存の手法と比較して精度と効率の点で優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-08T03:45:04Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Radar-based Automotive Localization using Landmarks in a Multimodal Sensor Graph-based Approach [0.0]
  本稿では,自動車用レーダによる局部化の問題に対処する。 システムは抽象層としてランドマークとオドメトリ情報を使用する。 単一のセマンティックランドマークマップが、すべてのセンサーで使用され、維持される。
  論文  参考訳（メタデータ） (2021-04-29T07:35:20Z)
• ERASOR: Egocentric Ratio of Pseudo Occupancy-based Dynamic Object Removal for Static 3D Point Cloud Map Building [0.1474723404975345]
  本稿では,pSeudo Occupancy-based dynamic object Removal の ERASOR, Egocentric RAtio という新しい静的マップ構築手法を提案する。 私たちのアプローチは、必然的に地面と接触している都市環境における最もダイナミックなオブジェクトの性質にその注意を向けます。
  論文  参考訳（メタデータ） (2021-03-07T10:29:07Z)
• DS-Net: Dynamic Spatiotemporal Network for Video Salient Object Detection [78.04869214450963]
  時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。 提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-09T06:42:30Z)
• VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
  本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。 ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。 我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
  論文  参考訳（メタデータ） (2020-05-08T19:07:03Z)
• Action Sequence Predictions of Vehicles in Urban Environments using Map and Social Context [152.0714518512966]
  本研究は、現実の運転シナリオにおける周辺車両の今後の行動の順序を予測する問題について研究する。 最初のコントリビューションは、現実世界の運転シナリオに記録された軌跡をHDマップの助けを借りてアクションシーケンスに変換する自動手法である。 第2のコントリビューションは、よく知られたトラフィックエージェント追跡と予測データセットArgoverseへのメソッドの適用であり、結果として228,000のアクションシーケンスが生成される。 第3のコントリビューションは,交通エージェント,地図情報,社会状況の過去の位置と速度を,単一エンドツーエンドのトレーニング可能なニューラルネットワークに統合して,新たな行動シーケンス予測手法を提案することである。
  論文  参考訳（メタデータ） (2020-04-29T14:59:58Z)

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。