論文の概要: Learning to Simulate Realistic LiDARs

• arxiv url: http://arxiv.org/abs/2209.10986v1
• Date: Thu, 22 Sep 2022 13:12:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 14:17:08.436837
• Title: Learning to Simulate Realistic LiDARs
• Title（参考訳）: リアルなライダーをシミュレートする学習
• Authors: Benoit Guillard, Sai Vemprala, Jayesh K. Gupta, Ondrej Miksik, Vibhav Vineet, Pascal Fua, Ashish Kapoor
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 66.7519667383175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulating realistic sensors is a challenging part in data generation for autonomous systems, often involving carefully handcrafted sensor design, scene properties, and physics modeling. To alleviate this, we introduce a pipeline for data-driven simulation of a realistic LiDAR sensor. We propose a model that learns a mapping between RGB images and corresponding LiDAR features such as raydrop or per-point intensities directly from real datasets. We show that our model can learn to encode realistic effects such as dropped points on transparent surfaces or high intensity returns on reflective materials. When applied to naively raycasted point clouds provided by off-the-shelf simulator software, our model enhances the data by predicting intensities and removing points based on the scene's appearance to match a real LiDAR sensor. We use our technique to learn models of two distinct LiDAR sensors and use them to improve simulated LiDAR data accordingly. Through a sample task of vehicle segmentation, we show that enhancing simulated point clouds with our technique improves downstream task performance.
• Abstract（参考訳）: 現実的なセンサーのシミュレーションは、しばしば手作りのセンサー設計、シーン特性、物理モデリングを含む、自律システムにおけるデータ生成の難しい部分である。 そこで本研究では,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。 実データセットから直接,RGB画像とレイドロップやポイント毎のインテンシティといった対応するLiDAR特徴とのマッピングを学習するモデルを提案する。 本モデルでは透明表面上の落下点や反射材料の強度リターンといった現実的な効果をエンコードできることを示す。 本モデルでは,市販のシミュレータソフトウェアで提供されるnaively raycasted point cloudsに適用すると,実際のlidarセンサにマッチするシーンの外観に基づいて強度を予測し,ポイントの除去によりデータを強化する。 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。 車両セグメンテーションのサンプルタスクを通して,本手法によるシミュレーション点雲の強化により,下流作業性能が向上することを示す。

関連論文リスト

• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [50.808933338389686]
  LiDARシミュレーションは、自動運転におけるクローズドループシミュレーションにおいて重要な役割を果たす。 都市景観におけるLiDARセンサスキャンをリアルタイムに再現するために,最初のLiDARガウス法であるLiDAR-GSを提案する。 我々の手法は、深度、強度、レイドロップチャンネルを同時に再現することに成功し、公開可能な大規模シーンデータセットにおけるフレームレートと品質の両方のレンダリング結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• 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)
• Realistic Rainy Weather Simulation for LiDARs in CARLA Simulator [17.605152926277707]
  本稿では,降雨時のLiDARデータを拡張するためのシミュレータに基づく物理モデリング手法を提案する。 CARLAシミュレータにおける雨天候のモデリングタスクを完了し、LiDARデータ収集のためのパイプラインを確立する。 実験では、合成データにより強化されたモデルにより、物体検出タスクの性能が向上することが観察された。
  論文  参考訳（メタデータ） (2023-12-20T05:16:04Z)
• 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)
• Neural LiDAR Fields for Novel View Synthesis [80.45307792404685]
  本稿では,LiDAR計測からニューラルネットワークシーンの表現を最適化する手法であるLiDAR(NFL)について述べる。 NFLは、ニューラルネットワークのレンダリングパワーと、LiDARセンシングプロセスの詳細な物理的動機付けモデルを組み合わせる。 合成されたビューの改良されたリアリズムは、ドメインギャップを実際のスキャンに狭め、より良い登録とセマンティックセグメンテーション性能に変換することを示す。
  論文  参考訳（メタデータ） (2023-05-02T17:55:38Z)
• NeRF-LiDAR: Generating Realistic LiDAR Point Clouds with Neural Radiance Fields [20.887421720818892]
  実世界の情報を利用してリアルなLIDAR点雲を生成する新しいLiDARシミュレーション手法であるNeRF-LIDARを提案する。 我々は,生成したLiDAR点雲上で異なる3次元セグメンテーションモデルをトレーニングすることにより,NeRF-LiDARの有効性を検証する。
  論文  参考訳（メタデータ） (2023-04-28T12:41:28Z)
• PCGen: Point Cloud Generator for LiDAR Simulation [10.692184635629792]
  既存の方法は、実点雲よりもノイズが多く、完全なデータを生成する。 我々はFPAレイキャストと代理モデルレイドロップを提案する。 最小限のトレーニングデータによって、代理モデルは異なる地理やシーンに一般化することができる。 その結果、シミュレーションデータにより訓練されたオブジェクト検出モデルは、実際のデータトレーニングモデルと同じような結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T04:13:21Z)
• A Realism Metric for Generated LiDAR Point Clouds [2.6205925938720833]
  本稿では,LiDAR点雲のリアリズムを定量化する新しい計量法を提案する。 関連する機能は、プロキシ分類タスクのトレーニングによって、現実世界と合成ポイントクラウドから学習される。 一連の実験において、生成したLiDARデータのリアリズムを決定するためのメトリックの応用を実証し、メトリックのリアリズム推定とセグメンテーションモデルの性能を比較する。
  論文  参考訳（メタデータ） (2022-08-31T16:37:57Z)
• Recovering and Simulating Pedestrians in the Wild [81.38135735146015]
  本研究では,自動車の走行によって野生で捕獲されたセンサから歩行者の形状と動きを復元することを提案する。 再建された歩行者資産銀行をリアルな3Dシミュレーションシステムに組み込む。 シミュレーションしたLiDARデータを用いて,視覚知覚タスクに必要な実世界のデータ量を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2020-11-16T17:16:32Z)
• 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。