Fugu-MT 論文翻訳(概要): Learning to Localize Using a LiDAR Intensity Map

論文の概要: Learning to Localize Using a LiDAR Intensity Map

arxiv url: http://arxiv.org/abs/2012.10902v1
Date: Sun, 20 Dec 2020 11:56:23 GMT
ステータス: 処理完了
システム内更新日: 2021-05-01 04:45:05.214319
Title: Learning to Localize Using a LiDAR Intensity Map
Title（参考訳）: LiDARインテンシティマップを用いたローカライズ学習
Authors: Ioan Andrei B\^arsan, Shenlong Wang, Andrei Pokrovsky, Raquel Urtasun
Abstract要約: 自動運転車のリアルタイム・キャリブレーション非依存・効果的なローカライズシステムを提案する。私たちの方法は、オンラインLiDARスイープと強度マップをジョイントディープ埋め込みスペースに埋め込む方法を学びます。システム全体の動作は15hzで,さまざまなlidarセンサや環境においてセンチメートルレベルの精度を実現しています。
参考スコア（独自算出の注目度）: 87.04427452634445
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we propose a real-time, calibration-agnostic and effective localization system for self-driving cars. Our method learns to embed the online LiDAR sweeps and intensity map into a joint deep embedding space. Localization is then conducted through an efficient convolutional matching between the embeddings. Our full system can operate in real-time at 15Hz while achieving centimeter level accuracy across different LiDAR sensors and environments. Our experiments illustrate the performance of the proposed approach over a large-scale dataset consisting of over 4000km of driving.
Abstract（参考訳）: 本稿では,自動運転車のリアルタイム・キャリブレーション非依存・効果的なローカライズシステムを提案する。提案手法は,オンラインLiDARスイープとインテンシティマップを結合した深層埋め込み空間に埋め込むことを学習する。ローカライゼーションは、埋め込み間の効率的な畳み込みマッチングによって実行される。システム全体の動作は15hzで,さまざまなlidarセンサや環境においてセンチメートルレベルの精度を実現しています。実験では、4000km以上の運転からなる大規模データセットにおける提案手法の性能を示す。

関連論文リスト

Reliable-loc: Robust sequential LiDAR global localization in large-scale street scenes based on verifiable cues [8.074154946982516]
逐次LiDARデータにおける検証可能なキューを利用した,LiDARに基づく信頼性のあるグローバルローカライゼーション(Reliable-loc)を提案する。本稿では,シーケンシャルなポーズの不確実性によって誘導される局所状態監視機構を提案する。信頼性の高い場所は、大規模で複雑なストリートシーンで高い堅牢性、正確性、効率性を示す。
論文参考訳（メタデータ） (2024-11-09T07:28:39Z)
An Efficient Approach to Generate Safe Drivable Space by LiDAR-Camera-HDmap Fusion [13.451123257796972]
ドライビング可能な空間抽出のための自律走行車(AV)のための高精度で堅牢な認識モジュールを提案する。我々の研究は、LiDAR、カメラ、HDマップデータ融合を利用した、堅牢で汎用的な知覚モジュールを導入している。我々のアプローチは実際のデータセットでテストされ、その信頼性は、私たちの自律シャトルであるWATonoBusの日々の(厳しい雪の天候を含む)運用中に検証されます。
論文参考訳（メタデータ） (2024-10-29T17:54:02Z)
Multi-LiDAR Localization and Mapping Pipeline for Urban Autonomous Driving [1.5728609542259502]
本稿では,LiDARセンサを用いたオフラインマッピングとオンラインローカライゼーションのための新しいセンサフュージョンベースパイプラインを提案する。経路計画などのタスクを駆動する意味マップを生成する手法を提案する。私たちのパイプラインは、与えられた研究車両と現実の自動運転アプリケーションに対して、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） (2023-11-03T10:24:20Z)
Optimizing the Placement of Roadside LiDARs for Autonomous Driving [61.584278382844595]
道路沿いのLiDARの配置を最適化する方法は不可欠だが、見落とされがちな問題である。本稿では,シーン内の最適化位置を選択することで,道路側LiDARの配置を最適化する手法を提案する。 Roadside-Optという名前のデータセットは、ロードサイドLiDAR配置問題の研究を容易にするために、CARLAシミュレータを使って作成されている。
論文参考訳（メタデータ） (2023-10-11T07:24:27Z)
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)
RaLF: Flow-based Global and Metric Radar Localization in LiDAR Maps [8.625083692154414]
我々は、環境のLiDARマップにレーダースキャンをローカライズするための、新しいディープニューラルネットワークベースのアプローチであるRaLFを提案する。 RaLFは、レーダーとLiDAR機能エンコーダ、グローバルなディスクリプタを生成する場所認識ヘッド、レーダースキャンとマップ間の3DF変換を予測するメートル法ローカライゼーションヘッドで構成されている。複数の実世界の運転データセットに対する我々のアプローチを広く評価し、RaLFが位置認識とメートル法ローカライゼーションの両方において最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2023-09-18T15:37:01Z)
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)
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)
Learning Moving-Object Tracking with FMCW LiDAR [53.05551269151209]
新たに開発したLiDARセンサである周波数変調連続波(FMCW)を用いた学習型移動物体追跡手法を提案する。ラベルが与えられた場合,同じインスタンスから機能を埋め込みスペースにまとめて,異なるインスタンスから機能を分離してトラッキング品質を向上させる,対照的な学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-03-02T09:11:36Z)
Universal Embeddings for Spatio-Temporal Tagging of Self-Driving Logs [72.67604044776662]
我々は、生のセンサデータから、自動運転シーンの時間的タグ付けの問題に取り組む。提案手法では,全てのタグに対する普遍的な埋め込みを学習し,多くの属性を効率的にタグ付けし,限られたデータで新しい属性を高速に学習する。
論文参考訳（メタデータ） (2020-11-12T02:18:16Z)

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。