論文の概要: DSOR: A Scalable Statistical Filter for Removing Falling Snow from LiDAR Point Clouds in Severe Winter Weather

• arxiv url: http://arxiv.org/abs/2109.07078v1
• Date: Wed, 15 Sep 2021 05:02:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-16 14:52:57.538777
• Title: DSOR: A Scalable Statistical Filter for Removing Falling Snow from LiDAR Point Clouds in Severe Winter Weather
• Title（参考訳）: DSOR:厳冬期のLiDAR点雲から降雪雪を除去するためのスケーラブルな統計的フィルタ
• Authors: Akhil Kurup, Jeremy Bos
• Abstract要約: ミシガン州アッパー半島の雪帯地域で収集された冬季運転データセット(WADS)について紹介する。 WADSは、厳密な冬の天候で収集された高密度のポイントワイドなLiDARスキャンを特徴とする最初のマルチモーダルデータセットである。 また, 積雪除去フィルタ(DSOR)は, 積雪除去フィルタの状態よりも高いリコールで雪を除去・除去できる統計的PCLに基づくフィルタである。
• 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: For autonomous vehicles to viably replace human drivers they must contend with inclement weather. Falling rain and snow introduce noise in LiDAR returns resulting in both false positive and false negative object detections. In this article we introduce the Winter Adverse Driving dataSet (WADS) collected in the snow belt region of Michigan's Upper Peninsula. WADS is the first multi-modal dataset featuring dense point-wise labeled sequential LiDAR scans collected in severe winter weather; weather that would cause an experienced driver to alter their driving behavior. We have labelled and will make available over 7 GB or 3.6 billion labelled LiDAR points out of over 26 TB of total LiDAR and camera data collected. We also present the Dynamic Statistical Outlier Removal (DSOR) filter, a statistical PCL-based filter capable or removing snow with a higher recall than the state of the art snow de-noising filter while being 28\% faster. Further, the DSOR filter is shown to have a lower time complexity compared to the state of the art resulting in an improved scalability. Our labeled dataset and DSOR filter will be made available at https://bitbucket.org/autonomymtu/dsor_filter
• Abstract（参考訳）: 自動運転車が人間のドライバーを生き生きと置き換えるためには、悪天候と闘わなければならない。 降雨と雪はLiDARのリターンにノイズをもたらし、偽陽性と偽陰性の両方を検出する。 本稿では,ミシガン州アッパー半島の雪帯地域で収集された冬季運転データセット(WADS)について紹介する。 WADSは、厳しい冬の天候で収集された高密度のポイントワイドなLiDARスキャンを特徴とする最初のマルチモーダルデータセットである。 私たちはラベル付けを行い、合計26TBのLiDARおよびカメラデータのうち、7GBまたは36億以上のラベル付きLiDARポイントを利用可能にします。 また,アートスノー除雪フィルタの状態よりも高いリコール率で雪を除去または除去できる統計的pclベースのフィルタであるdynamic statistical outlier removal (dsor) filterを提案する。 さらに,DSORフィルタは,拡張性の向上をもたらす技術状況と比較して,時間的複雑性が低いことを示した。 ラベル付きデータセットとDSORフィルタはhttps://bitbucket.org/autonomymtu/dsor_filterで利用可能になります。

関連論文リスト

• Adver-City: Open-Source Multi-Modal Dataset for Collaborative Perception Under Adverse Weather Conditions [1.4963011898406866]
  逆気象条件は、自律走行車の普及に重大な課題をもたらす。 本稿では,悪天候に着目した初のオープンソース総合コラボレーション知覚データセットであるAdver-Cityを紹介する。 24万フレーム、890万アノテーション、および6つの異なる気象条件にまたがる110のシナリオを含んでいる。
  論文  参考訳（メタデータ） (2024-10-08T21:26:22Z)
• LiDAR View Synthesis for Robust Vehicle Navigation Without Expert Labels [50.40632021583213]
  我々は、危険な位置で物理的に運転することなく、新しい視点からLiDAR点雲を合成することを提案する。 我々は、LiDARスキャンを入力とし、将来の軌跡を出力として予測するディープラーニングモデルを訓練する。 次に、この予測軌道にウェイポイントコントローラを適用して、エゴ車両のスロットルおよびステアリングラベルを決定する。
  論文  参考訳（メタデータ） (2023-08-02T20:46:43Z)
• Ithaca365: Dataset and Driving Perception under Repeated and Challenging Weather Conditions [0.0]
  我々は、新しいデータ収集プロセスを通じて、堅牢な自律運転を可能にする新しいデータセットを提案する。 データセットには、高精度GPS/INSとともに、カメラとLiDARセンサーからの画像と点雲が含まれている。 道路・オブジェクトのアモーダルセグメンテーションにおけるベースラインの性能を解析することにより,このデータセットの特異性を実証する。
  論文  参考訳（メタデータ） (2022-08-01T22:55:32Z)
• Stress-Testing LiDAR Registration [52.24383388306149]
  本稿では,LiDARデータセットからフレームペアの挑戦的集合である平衡登録集合を選択する手法を提案する。 おそらく予想外のことに、最も高速かつ同時に正確なアプローチは、先進RANSACのバージョンであることがわかった。
  論文  参考訳（メタデータ） (2022-04-16T05:10:55Z)
• LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
  そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。 本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。 我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
  論文  参考訳（メタデータ） (2022-03-28T21:48:26Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• LEAD: LiDAR Extender for Autonomous Driving [48.233424487002445]
  MEMS LiDARは、その低コスト、より堅牢、および大量生産基準を満たすため、耐え難い傾向で出現します。 それは小さい視野(FoV)に苦しめられ、人口のステップを遅らせます。 我々は、MEMS LiDARをFoVと範囲を結合して拡張するLEAD(LiDAR Extender for Automation)を提案する。
  論文  参考訳（メタデータ） (2021-02-16T07:35:34Z)
• 4Seasons: A Cross-Season Dataset for Multi-Weather SLAM in Autonomous Driving [48.588254700810474]
  本稿では,自律運転における季節的・挑戦的な知覚条件をカバーする新しいデータセットを提案する。 その中には、視覚計測、グローバルな位置認識、マップベースの再位置追跡などが含まれる。
  論文  参考訳（メタデータ） (2020-09-14T12:31:20Z)
• Canadian Adverse Driving Conditions Dataset [8.428999369859318]
  Canada Adverse Driving ConditionsデータセットはAutonomooseの自動運転車プラットフォームで収集された。 このデータセットは、特に悪質な運転条件に焦点を当てた最初の自動運転車データセットである。 8台のカメラからの注釈付きデータの様々な冬の天候条件から収集された7,000フレームを含んでいる。
  論文  参考訳（メタデータ） (2020-01-27T23:21:38Z)

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。