論文の概要: TrajMatch: Towards Automatic Spatio-temporal Calibration for Roadside
LiDARs through Trajectory Matching
- arxiv url: http://arxiv.org/abs/2302.02157v1
- Date: Sat, 4 Feb 2023 12:27:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 19:46:18.555788
- Title: TrajMatch: Towards Automatic Spatio-temporal Calibration for Roadside
LiDARs through Trajectory Matching
- Title(参考訳): TrajMatch: 軌道マッチングによる道路側LiDARの自動時空間校正に向けて
- Authors: Haojie Ren, Sha Zhang, Sugang Li, Yao Li, Xinchen Li, Jianmin Ji, Yu
Zhang, Yanyong Zhang
- Abstract要約: 我々は,道路沿いのLiDARを時間と空間の両方で自動調整できる最初のシステムであるTrajMatchを提案する。
実験の結果,TrajMatchは空間キャリブレーション誤差が10cm未満であり,時間キャリブレーション誤差が1.5ms未満であることがわかった。
- 参考スコア(独自算出の注目度): 12.980324010888664
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, it has become popular to deploy sensors such as LiDARs on the
roadside to monitor the passing traffic and assist autonomous vehicle
perception. Unlike autonomous vehicle systems, roadside sensors are usually
affiliated with different subsystems and lack synchronization both in time and
space. Calibration is a key technology which allows the central server to fuse
the data generated by different location infrastructures, which can deliver
improve the sensing range and detection robustness. Unfortunately, existing
calibration algorithms often assume that the LiDARs are significantly
overlapped or that the temporal calibration is already achieved. Since these
assumptions do not always hold in the real world, the calibration results from
the existing algorithms are often unsatisfactory and always need human
involvement, which brings high labor costs. In this paper, we propose TrajMatch
-- the first system that can automatically calibrate for roadside LiDARs in
both time and space. The main idea is to automatically calibrate the sensors
based on the result of the detection/tracking task instead of extracting
special features. More deeply, we propose a mechanism for evaluating
calibration parameters that is consistent with our algorithm, and we
demonstrate the effectiveness of this scheme experimentally, which can also be
used to guide parameter iterations for multiple calibration. Finally, to
evaluate the performance of TrajMatch , we collect two dataset, one simulated
dataset LiDARnet-sim 1.0 and a real-world dataset. Experiment results show that
TrajMatch can achieve a spatial calibration error of less than 10cm and a
temporal calibration error of less than 1.5ms.
- Abstract(参考訳): 近年,道路脇にLiDARなどのセンサを配置して交通状況を監視し,自動運転車の認識を支援することが普及している。
自動運転車とは異なり、路面センサーは通常異なるサブシステムに関連付けられ、時間と空間の同期が欠如している。
キャリブレーションは、中央サーバが異なるロケーションインフラストラクチャによって生成されたデータを融合し、センシング範囲と検出ロバスト性を改善するための重要な技術である。
残念ながら、既存のキャリブレーションアルゴリズムは、LiDARが著しく重複しているか、時間キャリブレーションが既に達成されていると仮定することが多い。
これらの仮定が常に現実世界に当てはまるわけではないため、既存のアルゴリズムによる校正結果はしばしば不十分であり、人間の関与が常に必要であり、高い労働コストをもたらす。
本稿では,道路沿いのLiDARを時間と空間の両方で自動校正できる最初のシステムであるTrajMatchを提案する。
主なアイデアは、特別な特徴を抽出するのではなく、検出/追跡タスクの結果に基づいて自動的にセンサーを調整することだ。
さらに,本手法の有効性を実験的に検証し,複数のキャリブレーションにおけるパラメータ反復の指導にも利用できることを示す。
最後に,TrajMatchの性能を評価するために,シミュレーションデータセットLiDARnet-sim 1.0と実世界のデータセットの2つのデータセットを収集した。
実験の結果,trajmatchは10cm未満の空間キャリブレーション誤差と1.5ms未満の時間キャリブレーション誤差を達成できた。
関連論文リスト
- CalibFormer: A Transformer-based Automatic LiDAR-Camera Calibration
Network [10.868311812390093]
CalibFormerは自動LiDARカメラキャリブレーションのためのエンドツーエンドネットワークである。
高精細度表現を実現するために、複数のカメラ層とLiDAR画像層を集約する。
平均翻訳誤差は0.8751 Mathrmcm$, 平均回転誤差は0.0562 circ$であった。
論文 参考訳(メタデータ) (2023-11-26T08:59:30Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - 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) - Continuous Online Extrinsic Calibration of Fisheye Camera and LiDAR [7.906477322731106]
高レベルの知覚機能を必要とする共通空間参照フレームにカメラとLiDARデータを融合するためには、正確な外部キャリブレーションが必要である。
連続的なオンライン外部キャリブレーションアルゴリズムは、センサーデータのみを使用して、車両の寿命中にカメラ-LiDARキャリブレーションの値を自動更新することができる。
本稿では,一般的な単眼深度推定ネットワークによって提供されるカメラ画像の深度推定と,外部キャリブレーションの最適化指標としてLiDAR点雲の幾何距離の相互情報を用いることを提案する。
論文 参考訳(メタデータ) (2023-06-22T23:16:31Z) - Automated Static Camera Calibration with Intelligent Vehicles [58.908194559319405]
自動ジオレファレンスカメラキャリブレーションのためのロバストキャリブレーション法を提案する。
本手法では, フィルタ/RTK受信機と慣性測定ユニット(IMU)を組み合わせたキャリブレーション車両が必要である。
我々の手法は、インフラと車両の両方で記録された情報と人間との相互作用を一切必要としない。
論文 参考訳(メタデータ) (2023-04-21T08:50:52Z) - 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) - 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) - Real-Time Point Cloud Fusion of Multi-LiDAR Infrastructure Sensor Setups
with Unknown Spatial Location and Orientation [0.0]
外部からの援助から完全に切り離され、完全に自動的に実行されるアルゴリズムを提案する。
本手法は,LiDAR点雲の高精度融合に焦点を当てる。
シミュレーションおよび実測値を用いた実験により,64層LiDARの連続点雲登録をリアルタイムに行うことを確認した。
論文 参考訳(メタデータ) (2020-07-28T08:43:39Z) - Learning Camera Miscalibration Detection [83.38916296044394]
本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。
コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。
深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
論文 参考訳(メタデータ) (2020-05-24T10:32:49Z) - Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。
一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。
定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文 参考訳(メタデータ) (2020-04-04T14:16:27Z)
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。