論文の概要: Analyzing Infrastructure LiDAR Placement with Realistic LiDAR
- arxiv url: http://arxiv.org/abs/2211.15975v1
- Date: Tue, 29 Nov 2022 07:18:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 17:26:10.102430
- Title: Analyzing Infrastructure LiDAR Placement with Realistic LiDAR
- Title(参考訳): Realistic LiDARによるインフラストラクチャLiDAR配置の解析
- Authors: Xinyu Cai, Wentao Jiang, Runsheng Xu, Wenquan Zhao, Jiaqi Ma, Si Liu,
Yikang Li
- Abstract要約: V2X(V2X)協調知覚は注目されている。
インフラセンサの最適配置を見つける方法はめったに研究されていない。
本稿では,インフラセンサの最適設置位置を効率よく,効果的に検出できるパイプラインを提案する。
- 参考スコア(独自算出の注目度): 14.163886343824064
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, Vehicle-to-Everything(V2X) cooperative perception has attracted
increasing attention. Infrastructure sensors play a critical role in this
research field, however, how to find the optimal placement of infrastructure
sensors is rarely studied. In this paper, we investigate the problem of
infrastructure sensor placement and propose a pipeline that can efficiently and
effectively find optimal installation positions for infrastructure sensors in a
realistic simulated environment. To better simulate and evaluate LiDAR
placement, we establish a Realistic LiDAR Simulation library that can simulate
the unique characteristics of different popular LiDARs and produce
high-fidelity LiDAR point clouds in the CARLA simulator. Through simulating
point cloud data in different LiDAR placements, we can evaluate the perception
accuracy of these placements using multiple detection models. Then, we analyze
the correlation between the point cloud distribution and perception accuracy by
calculating the density and uniformity of regions of interest. Experiments show
that the placement of infrastructure LiDAR can heavily affect the accuracy of
perception. We also analyze the correlation between perception performance in
the region of interest and LiDAR point cloud distribution and validate that
density and uniformity can be indicators of performance.
- Abstract(参考訳): 近年,V2Xの協調認識が注目されている。
インフラストラクチャセンサは、この研究分野において重要な役割を果たすが、インフラストラクチャセンサの最適な配置を見つける方法はほとんど研究されていない。
本稿では,インフラセンサ配置の問題点を調査し,現実的なシミュレーション環境において,インフラセンサの最適設置位置を効果的かつ効果的に求めるパイプラインを提案する。
CARLAシミュレータにおいて,LiDARの配置をより良くシミュレーションし,評価するために,様々なLiDARのユニークな特性をシミュレートし,高忠実度LiDAR点雲を生成できるRealistic LiDAR Simulationライブラリを構築した。
異なるlidar配置における点雲データのシミュレーションにより,複数の検出モデルを用いてこれらの配置の知覚精度を評価できる。
そして,関心領域の密度と均一性を計算することにより,点雲分布と知覚精度の相関関係を解析した。
実験により、LiDARのインフラ配置が知覚の精度に大きな影響を与えることが示された。
また,関心領域における知覚性能とライダーポイントクラウド分布の相関関係を分析し,その密度と均一性が性能指標となることを検証した。
関連論文リスト
- Closing the loop: Autonomous experiments enabled by
machine-learning-based online data analysis in synchrotron beamline
environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。
本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。
本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文 参考訳(メタデータ) (2023-06-20T21:21:19Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳(メタデータ) (2023-04-27T20:21:18Z) - 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) - 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) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳(メタデータ) (2022-02-27T12:52:27Z) - 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) - Improving Perception via Sensor Placement: Designing Multi-LiDAR Systems
for Autonomous Vehicles [16.45799795374353]
確率的占有グリッド(POG)に基づく計算が容易な情報理論的サーロゲートコストメトリックを提案し、最大センシングのためのLiDAR配置を最適化する。
以上の結果から,センサ配置は3Dポイントクラウドによる物体検出において重要な要素であり,最先端の認識アルゴリズムでは10%の精度で性能が変動する可能性が示唆された。
論文 参考訳(メタデータ) (2021-05-02T01:52:18Z) - ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework
for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。
シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。
ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文 参考訳(メタデータ) (2020-09-07T23:46:08Z) - High-Precision Digital Traffic Recording with Multi-LiDAR Infrastructure
Sensor Setups [0.0]
融解したLiDAR点雲と単一LiDAR点雲との差について検討した。
抽出した軌道の評価は, 融合インフラストラクチャーアプローチが追跡結果を著しく増加させ, 数cm以内の精度に達することを示す。
論文 参考訳(メタデータ) (2020-06-22T10:57:52Z)
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。