論文の概要: Lossless SIMD Compression of LiDAR Range and Attribute Scan Sequences
- arxiv url: http://arxiv.org/abs/2209.08196v1
- Date: Fri, 16 Sep 2022 23:29:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 19:21:26.002546
- Title: Lossless SIMD Compression of LiDAR Range and Attribute Scan Sequences
- Title（参考訳）: LiDAR範囲と属性スキャン列の無損失SIMD圧縮
- Authors: Jeff Ford and Jordan Ford
- Abstract要約: 現代のLiDARは1時間に1ギガバイトのスキャンデータを生成し、計算量、帯域幅、ストレージ資源に制限のあるアプリケーションでよく使用される。
「Jiffy」は冗長性と疎性を利用してかなりの圧縮を実現する。
典型的な自動運転車の場合、シングルスレッドのJiffyは、毎秒500以上のスキャンでセンチメートル精度範囲のスキャンを6倍圧縮する。
- 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: As LiDAR sensors have become ubiquitous, the need for an efficient LiDAR data
compression algorithm has increased. Modern LiDARs produce gigabytes of scan
data per hour and are often used in applications with limited compute,
bandwidth, and storage resources.
We present a fast, lossless compression algorithm for LiDAR range and
attribute scan sequences including multiple-return range, signal, reflectivity,
and ambient infrared. Our algorithm -- dubbed "Jiffy" -- achieves substantial
compression by exploiting spatiotemporal redundancy and sparsity. Speed is
accomplished by maximizing use of single-instruction-multiple-data (SIMD)
instructions. In autonomous driving, infrastructure monitoring, drone
inspection, and handheld mapping benchmarks, the Jiffy algorithm consistently
outcompresses competing lossless codecs while operating at speeds in excess of
65M points/sec on a single core. In a typical autonomous vehicle use case,
single-threaded Jiffy achieves 6x compression of centimeter-precision range
scans at 500+ scans per second. To ensure reproducibility and enable adoption,
the software is freely available as an open source library.
- Abstract（参考訳）: LiDARセンサのユビキタス化に伴い,効率的なLiDARデータ圧縮アルゴリズムの必要性が高まっている。
現代のLiDARは1時間に1ギガバイトのスキャンデータを生成し、計算量、帯域幅、ストレージ資源に制限のあるアプリケーションでよく使用される。
本稿では,LiDAR領域とマルチリターン範囲,信号,反射率,周囲赤外線を含む属性スキャンシーケンスに対する高速でロスレスな圧縮アルゴリズムを提案する。
我々のアルゴリズムは「Jiffy」と呼ばれ、時空間冗長性と疎性を利用してかなりの圧縮を実現する。
シングルインストラクション・マルチデータ(SIMD)命令の使用を最大化する。
自律運転、インフラ監視、ドローン検査、ハンドヘルドマッピングベンチマークでは、Jiffyアルゴリズムは競合するロスレスコーデックを一貫して上回り、単一のコア上で6500万ポイント/秒以上の速度で運用する。
典型的な自動運転車の場合、シングルスレッドのJiffyは、毎秒500以上のスキャンでセンチメートル精度範囲のスキャンを6倍圧縮する。
再現性を確保し、採用できるようにするため、ソフトウェアはオープンソースライブラリとして自由に利用できる。
関連論文リスト
- Lightweight Correlation-Aware Table Compression [58.50312417249682]
$texttVirtual$は、既存のオープンフォーマットとシームレスに統合されるフレームワークである。
data-govデータセットの実験によると、$texttVirtual$はApache Parquetと比較してファイルサイズを最大40%削減する。
論文 参考訳（メタデータ） (2024-10-17T22:28:07Z) - PointCompress3D: A Point Cloud Compression Framework for Roadside LiDARs in Intelligent Transportation Systems [24.783727646151583]
この研究は、ロードサイドのLiDARに特化した新しいポイントクラウド圧縮フレームワークであるPointCompress3Dを紹介した。
実世界のTUMTrafデータセットファミリを用いて,3つの最先端圧縮手法を適応し,拡張し,統合し,評価する。
大規模な実験およびアブレーション研究において、データセット上でPSNR d2の94.46とBPPの6.54を達成した。
論文 参考訳（メタデータ） (2024-05-02T21:35:45Z) - MISC: Ultra-low Bitrate Image Semantic Compression Driven by Large Multimodal Model [78.4051835615796]
本稿では,マルチモーダル画像セマンティック圧縮法を提案する。
画像の意味情報を抽出するLMMエンコーダと、その意味に対応する領域を特定するマップエンコーダと、非常に圧縮されたビットストリームを生成する画像エンコーダと、前記情報に基づいて画像を再構成するデコーダとからなる。
知覚50%を節約しながら最適な一貫性と知覚結果を達成することができ、これは次世代のストレージと通信において強力な可能性を持つ。
論文 参考訳（メタデータ） (2024-02-26T17:11:11Z) - LeCo: Lightweight Compression via Learning Serial Correlations [9.108815508920882]
軽量データ圧縮は、カラムストアが分析クエリのパフォーマンスを向上する鍵となる技術である。
本稿では,機械学習を用いて値列内のシリアル冗長性を自動的に除去するフレームワークであるLeCo(Learned Compression)を提案する。
我々は、Arrow列実行エンジンのデータ解析クエリで最大5.2倍のスピードで、RocksDBのスループットが16%向上するのを観察した。
論文 参考訳（メタデータ） (2023-06-27T10:46:36Z) - Compression of GPS Trajectories using Autoencoders [6.044912425856236]
我々は,GPSトラジェクトリを圧縮・再構成するために,lstm-autoencoder を用いた手法を提案する。
この性能は他の軌道圧縮アルゴリズム(ダグラス・ペッカー)と比較される。
論文 参考訳（メタデータ） (2023-01-18T10:32:53Z) - Unrolled Compressed Blind-Deconvolution [77.88847247301682]
sparse multi channel blind deconvolution (S-MBD) はレーダー/ソナー/超音波イメージングなどの多くの工学的応用で頻繁に発生する。
そこで本研究では,受信した全信号に対して,はるかに少ない測定値からブラインドリカバリを可能にする圧縮手法を提案する。
論文 参考訳（メタデータ） (2022-09-28T15:16:58Z) - Deep Lossy Plus Residual Coding for Lossless and Near-lossless Image
Compression [85.93207826513192]
本稿では、損失のない画像圧縮とほぼロスレス画像圧縮の両面において、統合された強力な深い損失+残差(DLPR)符号化フレームワークを提案する。
VAEのアプローチにおける連立損失と残留圧縮の問題を解く。
ほぼロスレスモードでは、元の残差を量子化し、与えられた$ell_infty$エラー境界を満たす。
論文 参考訳（メタデータ） (2022-09-11T12:11:56Z) - Online Segmentation of LiDAR Sequences: Dataset and Algorithm [20.451136463885867]
ルーフマウントの回転するLiDARセンサーは、自動運転車で広く使われている。
HelixNetは、詳細なラベル、タイムスタンプ、センサー回転情報を備えた100億ドルのポイントデータセットです。
第2に,LiDAR点列の回転に特化して設計された,コンパクトかつ効率的な変圧器時間構造Helix4Dを提案する。
論文 参考訳（メタデータ） (2022-06-16T14:08:58Z) - StrObe: Streaming Object Detection from LiDAR Packets [73.27333924964306]
ローリングシャッターのLiDARはパケットのストリームとして出力され、それぞれ360degのカバレッジのセクターをカバーする。
現代の認識アルゴリズムは、データを処理する前に全スイープが構築されるのを待つ。
本稿では,LiDARパケットを取り込み,全スイープが構築されるのを待たずに検出ストリームを出力することで,レイテンシを最小化する新しいアプローチであるStrObeを提案する。
論文 参考訳（メタデータ） (2020-11-12T14:57:44Z) - OctSqueeze: Octree-Structured Entropy Model for LiDAR Compression [77.8842824702423]
本稿では,LiDAR点雲のメモリフットプリントを削減するための新しいディープ圧縮アルゴリズムを提案する。
本手法は,メモリフットプリントを低減するために,点間の間隔と構造的冗長性を利用する。
我々のアルゴリズムは、自動運転車などのアプリケーションにおいて、LiDARポイントのオンボードおよびオフボードストレージを減らすために使用できる。
論文 参考訳（メタデータ） (2020-05-14T17:48:49Z)
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。