論文の概要: SensorX2car: Sensors-to-car calibration for autonomous driving in road scenarios

• arxiv url: http://arxiv.org/abs/2301.07279v2
• Date: Thu, 18 May 2023 08:29:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 20:24:19.430507
• Title: SensorX2car: Sensors-to-car calibration for autonomous driving in road scenarios
• Title（参考訳）: sensorx2car: 道路シナリオにおける自動運転のためのセンサツーカーキャリブレーション
• Authors: Guohang Yan, Zhaotong Luo, Zhuochun Liu and Yikang Li
• Abstract要約: 本稿では,画像特徴,3次元LiDAR点,カメラ/INS分解ポーズ,レーダ速度の4つのセンサに対して,より一般的なキャリブレーション手法を提案する。 我々は、通常運転中のセンサから車への回転を数分で調整する4つの手法を設計し、SensorX2carというツールボックスを構築した。 われわれの知る限りでは、SensorX2carは最初のオープンソースのセンサー・ツー・カー・キャリブレーション・ツールボックスだ。
• 参考スコア（独自算出の注目度）: 2.5680214354539803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Properly-calibrated sensors are the prerequisite for a dependable autonomous driving system. However, most prior methods focus on extrinsic calibration between sensors, and few focus on the misalignment between the sensors and the vehicle coordinate system. Existing targetless approaches rely on specific prior knowledge, such as driving routes and road features, to handle this misalignment. This work removes these limitations and proposes more general calibration methods for four commonly used sensors: Camera, LiDAR, GNSS/INS, and millimeter-wave Radar. By utilizing sensor-specific patterns: image feature, 3D LiDAR points, GNSS/INS solved pose, and radar speed, we design four corresponding methods to mainly calibrate the rotation from sensor to car during normal driving within minutes, composing a toolbox named SensorX2car. Real-world and simulated experiments demonstrate the practicality of our proposed methods. Meanwhile, the related codes have been open-sourced to benefit the community. To the best of our knowledge, SensorX2car is the first open-source sensor-to-car calibration toolbox. The code is available at https://github.com/OpenCalib/SensorX2car.
• Abstract（参考訳）: 適切に調整されたセンサーは、信頼できる自動運転システムの前提条件である。 しかし,従来の手法ではセンサ間の外在的な校正に重点を置いており,センサと車両座標系とのミスアライメントにはほとんど焦点が当てられていない。 既存の標的のないアプローチは、このミスアライメントを扱うために、ルートや道路の特徴といった特定の事前知識に依存している。 この研究はこれらの制限を取り除き、カメラ、LiDAR、GNSS/INS、ミリ波レーダーの4つの一般的な校正法を提案する。 画像特徴, 3D LiDAR点, GNSS/INS解決ポーズ, レーダ速度といったセンサ固有のパターンを利用して, 通常の運転中, センサから車への回転を数分で調整し, SensorX2car というツールボックスを構成する。 実世界のシミュレーション実験により提案手法の実用性を実証した。 一方、関連するコードはコミュニティに利益をもたらすためにオープンソース化されている。 私たちの知る限りでは、sensorx2carは最初のオープンソースのセンサーから車へのキャリブレーションツールボックスです。 コードはhttps://github.com/OpenCalib/SensorX2carで入手できる。

関連論文リスト

• SOAC: Spatio-Temporal Overlap-Aware Multi-Sensor Calibration using Neural Radiance Fields [10.958143040692141]
  自律運転のような急速に進化する領域では、動作精度と安定性を確保するために、異なるモードの複数のセンサーを使用することが不可欠である。 各センサが提供した情報を単一の共通フレームで正確に活用するためには、これらのセンサを正確に校正することが不可欠である。 我々は、共通の表現において異なるモダリティを表現するために、ニューラルラジアンス場(Neural Radiance Fields)の能力を利用する。
  論文  参考訳（メタデータ） (2023-11-27T13:25:47Z)
• Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
  本稿では,自動車用レーダセンサの自動校正手法を提案する。 本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。 実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
  論文  参考訳（メタデータ） (2023-06-23T07:01:10Z)
• Multi-Modal 3D Object Detection by Box Matching [109.43430123791684]
  マルチモーダル3次元検出のためのボックスマッチング(FBMNet)による新しいフュージョンネットワークを提案する。 3Dオブジェクトと2Dオブジェクトの提案を学習することで、ROI特徴を組み合わせることで、検出のための融合を効果的に行うことができる。
  論文  参考訳（メタデータ） (2023-05-12T18:08:51Z)
• Extrinsic Camera Calibration with Semantic Segmentation [60.330549990863624]
  本稿では,セグメンテーション情報を利用してパラメータ推定を自動化する,外部カメラキャリブレーション手法を提案する。 われわれのアプローチは、カメラのポーズの粗い初期測定と、車両に搭載されたライダーセンサーによる構築に依存している。 シミュレーションおよび実世界のデータを用いて,キャリブレーション結果の低誤差測定を行う。
  論文  参考訳（メタデータ） (2022-08-08T07:25:03Z)
• Lasers to Events: Automatic Extrinsic Calibration of Lidars and Event Cameras [67.84498757689776]
  本稿では,イベントカメラとライダーの直接校正法について述べる。 フレームベースのカメラインターミディエートおよび/または高精度の手測定への依存を除去する。
  論文  参考訳（メタデータ） (2022-07-03T11:05:45Z)
• OpenCalib: A Multi-sensor Calibration Toolbox for Autonomous Driving [18.730982742815073]
  各種センサキャリブレーション手法の豊富なセットを含む校正ツールボックスOpenCalibを提案する。 OpenCalibは、手動キャリブレーションツール、自動キャリブレーションツール、ファクトリキャリブレーションツール、さまざまなアプリケーションシナリオ用のオンラインキャリブレーションツールをカバーしている。 私たちの知る限り、これは自動運転関連のキャリブレーションアプローチの完全なセットを含む、初めてのオープンソースキャリブレーションです。
  論文  参考訳（メタデータ） (2022-05-27T16:37:12Z)
• CROON: Automatic Multi-LiDAR Calibration and Refinement Method in Road Scene [15.054452813705112]
  CROON(AutomatiC multi-LiDAR CalibratiOn and Refinement method in rOad sceNe)は、粗さと精細度校正を含む2段階法である。 実世界のデータセットとシミュレーションデータセットの結果から,本手法の信頼性と精度が示された。
  論文  参考訳（メタデータ） (2022-03-07T07:36:31Z)
• Real-time multiview data fusion for object tracking with RGBD sensors [4.68299658663016]
  本稿では,赤緑色深度カメラ(RGBD)のマルチビュー設定により,移動体を正確に追跡する新しい手法を提案する。 まず,装着時に深度センサに発生する変化を除去する補正法を提案する。 次に,未知の車両動作を補正するセンサワイズフィルタリングシステムを提案する。
  論文  参考訳（メタデータ） (2021-10-28T09:24:49Z)
• Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
  本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。 提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
  論文  参考訳（メタデータ） (2021-01-12T12:02:26Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。