論文の概要: A Lightweight Machine Learning Pipeline for LiDAR-simulation

• arxiv url: http://arxiv.org/abs/2208.03130v1
• Date: Fri, 5 Aug 2022 12:45:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-08 13:04:22.231925
• Title: A Lightweight Machine Learning Pipeline for LiDAR-simulation
• Title（参考訳）: LiDARシミュレーションのための軽量機械学習パイプライン
• Authors: Richard Marcus, Niklas Knoop, Bernhard Egger and Marc Stamminger
• Abstract要約: より現実的なLiDARシミュレーションのための軽量なアプローチを提案する。 中心となる考え方は、シミュレーションを画像から画像への変換問題にキャストすることである。 この戦略により、センサー固有の、高価で複雑なLiDAR物理シミュレーションを省略することができる。
• 参考スコア（独自算出の注目度）: 8.18203294574182
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Virtual testing is a crucial task to ensure safety in autonomous driving, and sensor simulation is an important task in this domain. Most current LiDAR simulations are very simplistic and are mainly used to perform initial tests, while the majority of insights are gathered on the road. In this paper, we propose a lightweight approach for more realistic LiDAR simulation that learns a real sensor's behavior from test drive data and transforms this to the virtual domain. The central idea is to cast the simulation into an image-to-image translation problem. We train our pix2pix based architecture on two real world data sets, namely the popular KITTI data set and the Audi Autonomous Driving Dataset which provide both, RGB and LiDAR images. We apply this network on synthetic renderings and show that it generalizes sufficiently from real images to simulated images. This strategy enables to skip the sensor-specific, expensive and complex LiDAR physics simulation in our synthetic world and avoids oversimplification and a large domain-gap through the clean synthetic environment.
• Abstract（参考訳）: 仮想テストは自動運転の安全性を確保するための重要なタスクであり、この領域ではセンサシミュレーションが重要なタスクである。 現在のLiDARシミュレーションのほとんどは、非常に単純で、主に初期テストの実行に使用され、多くの洞察が道路に集められている。 本稿では,テスト駆動データから実センサの動作を学習し,これを仮想領域に変換する,より現実的なLiDARシミュレーションのための軽量なアプローチを提案する。 中心となるアイデアは、シミュレーションを画像から画像への変換問題に落とし込むことである。 pix2pixベースのアーキテクチャを,人気のkittiデータセットと,rgbとlidarイメージの両方を提供するaudi自動運転データセットという,2つの実世界のデータセットに基づいてトレーニングします。 このネットワークを合成レンダリングに適用し,実画像からシミュレーション画像に十分に一般化できることを示す。 この戦略により、我々の合成世界ではセンサ特有の、高価で複雑なLiDAR物理シミュレーションを省略することができ、クリーンな合成環境を通じて過度に単純化と大きなドメインギャップを避けることができる。

関連論文リスト

• RaSim: A Range-aware High-fidelity RGB-D Data Simulation Pipeline for Real-world Applications [55.24463002889]
  我々は深度データ合成に焦点をあて、レンジ対応RGB-Dデータシミュレーションパイプライン(RaSim)を開発した。 特に、実世界のセンサーの撮像原理を模倣して高忠実度深度データを生成する。 RaSimは、下流のRGB-D知覚タスクで微調整をすることなく、現実世界のシナリオに直接適用することができる。
  論文  参考訳（メタデータ） (2024-04-05T08:52:32Z)
• GAN-Based LiDAR Intensity Simulation [3.8697834534260447]
  私たちは、実際のテストドライブからカメライメージとLiDARスキャンを変換するために、GANをトレーニングします。 我々は,物体検出ネットワークが実点と合成点の雲をいかに一般化するかをテストすることで,LiDARシミュレーションの性能を検証した。
  論文  参考訳（メタデータ） (2023-11-26T20:44:09Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• sim2real: Cardiac MR Image Simulation-to-Real Translation via Unsupervised GANs [0.4433315630787158]
  解剖学的に異なる仮想XCAT被験者に対して画像シミュレーションを行う。 画像リアリズムを改善するためのSIM2real Translation Networkを提案する。 我々のユーザビリティ実験は、sim2realデータにより、トレーニングデータを増強し、セグメンテーションアルゴリズムの性能を高める可能性があることを示唆している。
  論文  参考訳（メタデータ） (2022-08-09T16:06:06Z)
• VISTA 2.0: An Open, Data-driven Simulator for Multimodal Sensing and Policy Learning for Autonomous Vehicles [131.2240621036954]
  VISTAはオープンソースのデータ駆動シミュレータで、複数のタイプのセンサーを自律走行車に組み込む。 高忠実で実世界のデータセットを使用して、VISTAはRGBカメラ、3D LiDAR、イベントベースのカメラを表現し、シミュレートする。 センサタイプ毎に知覚制御ポリシーをトレーニングし,テストする能力を示し,フルスケールの自律走行車への展開を通じて,このアプローチのパワーを示す。
  論文  参考訳（メタデータ） (2021-11-23T18:58:10Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)
• LiDARsim: Realistic LiDAR Simulation by Leveraging the Real World [84.57894492587053]
  物理に基づくシミュレーションと学習に基づくシミュレーションの両方のパワーをキャプチャする新しいシミュレータを開発した。 まず3Dシーン上でレイキャストを行い、次にディープニューラルネットワークを用いて物理シミュレーションから偏差を生成する。 本稿では,LiDARsimが長距離イベントにおける認識アルゴリズムのテストに有用であること,および安全クリティカルシナリオにおけるエンドツーエンドのクローズループ評価について紹介する。
  論文  参考訳（メタデータ） (2020-06-16T17:44:35Z)

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。