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
- 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 [9.693729708337125]
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) - CROON: Automatic Multi-LiDAR Calibration and Refinement Method in Road
Scene [15.054452813705112]
CROON(AutomatiC multi-LiDAR CalibratiOn and Refinement method in rOad sceNe)は、粗さと精細度校正を含む2段階法である。
実世界のデータセットとシミュレーションデータセットの結果から,本手法の信頼性と精度が示された。
論文 参考訳(メタデータ) (2022-03-07T07:36:31Z) - 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) - Pit30M: A Benchmark for Global Localization in the Age of Self-Driving
Cars [72.50765414459418]
Pit30Mは3000万フレームを超える新しい画像とLiDARデータセットで、これは以前の研究の10倍から100倍の大きさだ。
Pit30Mは様々な条件(季節、天気、日時、交通量)で捕獲され、正確な位置決めの真実を提供する。
画像およびlidar検索のための既存の手法を複数ベンチマークし,その過程で,単純かつ効果的な畳み込みネットワークに基づくlidar検索手法を導入する。
論文 参考訳(メタデータ) (2020-12-23T01:24:41Z)
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。