論文の概要: Detection of Condensed Vehicle Gas Exhaust in LiDAR Point Clouds

• arxiv url: http://arxiv.org/abs/2207.04908v1
• Date: Mon, 11 Jul 2022 14:36:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-12 14:50:38.793399
• Title: Detection of Condensed Vehicle Gas Exhaust in LiDAR Point Clouds
• Title（参考訳）: LiDAR点雲における凝縮ガス排ガスの検出
• Authors: Aldi Piroli, Vinzenz Dallabetta, Marc Walessa, Daniel Meissner, Johannes Kopp, Klaus Dietmayer
• Abstract要約: 本稿では, 自動車排ガスの凝縮検出のための2段階のアプローチを提案する。 まず,現場における各車両の排ガス領域を特定し,その場合の排気ガスの検出を行う。 次に、孤立した雲は、ガスが排出される可能性のある空間の領域をモデル化することで検出される。
• 参考スコア（独自算出の注目度）: 7.924836086640871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR sensors used in autonomous driving applications are negatively affected by adverse weather conditions. One common, but understudied effect, is the condensation of vehicle gas exhaust in cold weather. This everyday phenomenon can severely impact the quality of LiDAR measurements, resulting in a less accurate environment perception by creating artifacts like ghost object detections. In the literature, the semantic segmentation of adverse weather effects like rain and fog is achieved using learning-based approaches. However, such methods require large sets of labeled data, which can be extremely expensive and laborious to get. We address this problem by presenting a two-step approach for the detection of condensed vehicle gas exhaust. First, we identify for each vehicle in a scene its emission area and detect gas exhaust if present. Then, isolated clouds are detected by modeling through time the regions of space where gas exhaust is likely to be present. We test our method on real urban data, showing that our approach can reliably detect gas exhaust in different scenarios, making it appealing for offline pre-labeling and online applications such as ghost object detection.
• Abstract（参考訳）: 自動運転アプリケーションで使用されるライダーセンサーは、悪天候によって悪影響を受ける。 一般的な効果の1つは、寒い気候下での自動車の排気ガスの凝縮である。 この日常的な現象は、LiDAR測定の品質に深刻な影響を与え、ゴーストオブジェクト検出などの人工物を作成することによって、環境認識の精度が低下する。 文献では、雨や霧のような悪天候のセグメンテーションは、学習に基づくアプローチを用いて達成される。 しかし、そのような方法は大量のラベル付きデータを必要とするため、非常に高価で手間がかかる。 本稿では, 自動車排気ガスの凝縮検出のための2段階のアプローチを提案する。 まず,各車両の排出領域を識別し,発生した場合の排ガスを検知する。 そして、ガスが排出される可能性のある空間領域の時間を通して、孤立した雲を検出する。 本手法を実際の都市データでテストし,異なるシナリオで確実にガス排出を検知できることを示し,オフラインのプレラベルやゴーストオブジェクト検出などのオンラインアプリケーションにアピールした。

関連論文リスト

• Predicting the Influence of Adverse Weather on Pedestrian Detection with Automotive Radar and Lidar Sensors [2.4903631775244213]
  歩行者は道路交通で最も危険に晒されている交通機関の1つである。 名目状態での歩行者検出は良好に確立されているが,センサや歩行者検出性能は悪天候下で低下する。 本稿では,利用者が特定したレーダとライダーが歩行者検出性能に与える影響を予測する専用テキストウェザーフィルタ(WF)モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-21T12:44:43Z)
• Towards Robust 3D Object Detection In Rainy Conditions [10.920640666237833]
  道路噴霧に対するLiDARを用いた3次元物体検出装置のロバスト性向上のための枠組みを提案する。 当社のアプローチでは,LiDAR点雲からの噴霧を除去するために,最先端の悪天候検知ネットワークを用いている。 悪天候のフィルタリングに加えて、レーダターゲットを用いて偽陽性検出をさらにフィルタリングする方法について検討する。
  論文  参考訳（メタデータ） (2023-10-02T07:34:15Z)
• Autonomous Detection of Methane Emissions in Multispectral Satellite Data Using Deep Learning [73.01013149014865]
  メタンは最も強力な温室効果ガスの1つである。 現在のメタン放出モニタリング技術は、近似的な放出要因や自己報告に依存している。 深層学習法は、Sentinel-2衛星マルチスペクトルデータにおけるメタン漏れの自動検出に利用することができる。
  論文  参考訳（メタデータ） (2023-08-21T19:36:50Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• 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)
• Energy-based Detection of Adverse Weather Effects in LiDAR Data [7.924836086640871]
  本稿では,LiDARデータにおける悪天候の影響を検知するための新しい手法を提案する。 提案手法では,低エネルギースコアを不整点,高エネルギースコアを不整点に関連付ける。 悪天候下でのLiDAR知覚の研究領域の拡大を支援するため、SemanticSprayデータセットをリリースする。
  論文  参考訳（メタデータ） (2023-05-25T15:03:36Z)
• Real-Time Idling Vehicles Detection using Combined Audio-Visual Deep Learning [1.2733164388167968]
  リアルタイム動的車両アイドリング検出アルゴリズムを提案する。 提案手法は、アイドリング車両を検出するためのマルチセンサ、オーディオ視覚、機械学習ワークフローに依存している。 我々はソルトレイクシティの病院の退院地点でリアルタイムでシステムをテストする。
  論文  参考訳（メタデータ） (2023-05-23T23:35:43Z)
• Robust 3D Object Detection in Cold Weather Conditions [7.924836086640871]
  逆気象条件はLiDARベースの物体検出器に悪影響を及ぼす可能性がある。 寒冷環境における自動車排ガスの凝縮現象に着目した。 本稿では,データ拡張と新たなトレーニング損失項を用いてこの問題を解決することを提案する。
  論文  参考訳（メタデータ） (2022-05-24T09:37:07Z)
• 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)
• Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
  本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-11T14:37:54Z)
• 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)

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。