論文の概要: PCGen: Point Cloud Generator for LiDAR Simulation

• arxiv url: http://arxiv.org/abs/2210.08738v1
• Date: Mon, 17 Oct 2022 04:13:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 20:50:11.167773
• Title: PCGen: Point Cloud Generator for LiDAR Simulation
• Title（参考訳）: PCGen:LiDARシミュレーションのためのポイントクラウドジェネレータ
• Authors: Chenqi Li, Yuan Ren, Bingbing Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.692184635629792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data is a fundamental building block for LiDAR perception systems. Unfortunately, real-world data collection and annotation is extremely costly & laborious. Recently, real data based LiDAR simulators have shown tremendous potential to complement real data, due to their scalability and high-fidelity compared to graphics engine based methods. Before simulation can be deployed in the real-world, two shortcomings need to be addressed. First, existing methods usually generate data which are more noisy and complete than the real point clouds, due to 3D reconstruction error and pure geometry-based raycasting method. Second, prior works on simulation for object detection focus solely on rigid objects, like cars, but VRUs, like pedestrians, are important road participants. To tackle the first challenge, we propose FPA raycasting and surrogate model raydrop. FPA enables the simulation of both point cloud coordinates and sensor features, while taking into account reconstruction noise. The ray-wise surrogate raydrop model mimics the physical properties of LiDAR's laser receiver to determine whether a simulated point would be recorded by a real LiDAR. With minimal training data, the surrogate model can generalize to different geographies and scenes, closing the domain gap between raycasted and real point clouds. To tackle the simulation of deformable VRU simulation, we employ SMPL dataset to provide a pedestrian simulation baseline and compare the domain gap between CAD and reconstructed objects. Applying our pipeline to perform novel sensor synthesis, results show that object detection models trained by simulation data can achieve similar result as the real data trained model.
• Abstract（参考訳）: データはLiDAR認識システムの基本構成要素である。 残念なことに、現実世界のデータ収集とアノテーションは非常に費用がかかる。 近年,実データに基づくlidarシミュレータは,グラフィックスエンジンを用いた手法に比べてスケーラビリティや忠実度が高いため,実データを補完する大きな可能性を秘めている。 シミュレーションが現実世界にデプロイされる前に、2つの欠点に対処する必要がある。 まず, 既存の手法では, 3次元再構成誤差と純粋形状に基づくレイキャスティング法により, 実測点雲よりもノイズが多く, 完全となるデータを生成する。 第二に、物体検出のシミュレーションは、車のような硬い物体のみに焦点を当てるが、歩行者のようなVRUは重要な道路参加者である。 第1の課題に取り組むために,fpaレイキャストとサロゲートモデルレイドロップを提案する。 FPAは、再構成ノイズを考慮して、点雲座標とセンサ特徴の両方のシミュレーションを可能にする。 レイワイズ・サロゲート・レイドロップモデルは、LiDARのレーザー受信機の物理的特性を模倣し、シミュレーションされた点が実際のLiDARによって記録されるかどうかを決定する。 最小限のトレーニングデータで、surrogateモデルは異なるジオグラフィックとシーンに一般化でき、レイキャストされたクラウドとリアルポイントクラウドの間のドメインギャップを閉じることができる。 変形可能なVRUシミュレーションのシミュレーションに取り組むために、SMPLデータセットを用いて歩行者シミュレーションベースラインを提供し、CADと再構成オブジェクト間の領域ギャップを比較する。 その結果,シミュレーションデータによって訓練された物体検出モデルは,実際のデータ学習モデルと同じような結果が得られることがわかった。

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)
• 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)
• Quantifying the LiDAR Sim-to-Real Domain Shift: A Detailed Investigation Using Object Detectors and Analyzing Point Clouds at Target-Level [1.1999555634662635]
  自律運転のためのニューラルネットワークに基づくLiDARオブジェクト検出アルゴリズムは、トレーニング、検証、テストのために大量のデータを必要とする。 ニューラルネットワークのトレーニングにシミュレーションデータを使用することで、シーン、シナリオ、分布の違いによるトレーニングデータとテストデータのドメインシフトが生じることを示す。
  論文  参考訳（メタデータ） (2023-03-03T12:52:01Z)
• Grounding Graph Network Simulators using Physical Sensor Observations [12.017054986629846]
  実世界観測において,センサ情報を地上グラフネットワークシミュレータに統合する。 点クラウドデータを用いて変形可能なオブジェクトのメッシュ状態を予測する。
  論文  参考訳（メタデータ） (2023-02-23T09:06:42Z)
• 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)
• 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)
• 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)
• 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。