論文の概要: Survey on LiDAR Perception in Adverse Weather Conditions

• arxiv url: http://arxiv.org/abs/2304.06312v1
• Date: Thu, 13 Apr 2023 07:45:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 15:21:55.602546
• Title: Survey on LiDAR Perception in Adverse Weather Conditions
• Title（参考訳）: 逆気象条件下におけるLiDARの知覚に関する調査
• Authors: Mariella Dreissig, Dominik Scheuble, Florian Piewak and Joschka Boedecker
• Abstract要約: アクティブなLiDARセンサーは、シーンの正確な3D表現を作成することができる。 霧、雪、雨などの悪天候条件下でのLiDARの性能は変化する。 我々は、適切なデータの提供、生の点クラウド処理とデノイング、ロバストな認識アルゴリズム、悪天候による欠点を軽減するためのセンサ融合といったトピックに対処する。
• 参考スコア（独自算出の注目度）: 6.317642241067219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous vehicles rely on a variety of sensors to gather information about their surrounding. The vehicle's behavior is planned based on the environment perception, making its reliability crucial for safety reasons. The active LiDAR sensor is able to create an accurate 3D representation of a scene, making it a valuable addition for environment perception for autonomous vehicles. Due to light scattering and occlusion, the LiDAR's performance change under adverse weather conditions like fog, snow or rain. This limitation recently fostered a large body of research on approaches to alleviate the decrease in perception performance. In this survey, we gathered, analyzed, and discussed different aspects on dealing with adverse weather conditions in LiDAR-based environment perception. We address topics such as the availability of appropriate data, raw point cloud processing and denoising, robust perception algorithms and sensor fusion to mitigate adverse weather induced shortcomings. We furthermore identify the most pressing gaps in the current literature and pinpoint promising research directions.
• Abstract（参考訳）: 自動運転車は周囲の情報を収集するために様々なセンサーに依存している。 車両の挙動は環境認識に基づいて計画されており、安全上の理由から信頼性が不可欠である。 アクティブなLiDARセンサーは、シーンの正確な3D表現を作成することができ、自動運転車の環境認識に価値ある追加となる。 光散乱と閉塞により、LiDARの性能は霧、雪、雨などの悪天候条件下で変化する。 この制限は近年、知覚能力の低下を緩和するためのアプローチに関する多くの研究を育んだ。 本調査では,LiDARによる環境認識における悪天候対策のさまざまな側面を収集,分析,検討した。 適切なデータの利用、生点のクラウド処理、ノイズ除去、ロバストな知覚アルゴリズム、センサー融合などのトピックを取り上げ、悪天候による欠点を緩和する。 さらに,現在の文献における最も差し迫ったギャップを特定し,有望な研究の方向性を明らかにする。

関連論文リスト

• Exploring Domain Shift on Radar-Based 3D Object Detection Amidst Diverse Environmental Conditions [15.767261586617746]
  この研究は、4Dレーダーによる物体検出において、しばしば見過ごされがちな領域シフトの問題について考察する。 以上の結果から,様々な気象シナリオにまたがるドメインシフトが明らかになり,ユニークなデータセットの感度が明らかになった。 異なる道路タイプ、特に高速道路から都市環境への移行は、顕著な領域シフトをもたらします。
  論文  参考訳（メタデータ） (2024-08-13T09:55:38Z)
• Experimental Evaluation of Road-Crossing Decisions by Autonomous Wheelchairs against Environmental Factors [42.90509901417468]
  追跡性能の微調整と屋外環境要因に対する実験的評価に焦点をあてる。 本手法は,屋外環境要因に対する映像追跡とイベント検出の堅牢性を評価するために適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-27T08:43:26Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Towards Robust 3D Object Detection In Rainy Conditions [10.920640666237833]
  道路噴霧に対するLiDARを用いた3次元物体検出装置のロバスト性向上のための枠組みを提案する。 当社のアプローチでは,LiDAR点雲からの噴霧を除去するために,最先端の悪天候検知ネットワークを用いている。 悪天候のフィルタリングに加えて、レーダターゲットを用いて偽陽性検出をさらにフィルタリングする方法について検討する。
  論文  参考訳（メタデータ） (2023-10-02T07:34:15Z)
• Energy-based Detection of Adverse Weather Effects in LiDAR Data [7.924836086640871]
  本稿では,LiDARデータにおける悪天候の影響を検知するための新しい手法を提案する。 提案手法では,低エネルギースコアを不整点,高エネルギースコアを不整点に関連付ける。 悪天候下でのLiDAR知覚の研究領域の拡大を支援するため、SemanticSprayデータセットをリリースする。
  論文  参考訳（メタデータ） (2023-05-25T15:03:36Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• 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)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)
• LIBRE: The Multiple 3D LiDAR Dataset [54.25307983677663]
  We present LIBRE: LiDAR Benchmarking and Reference, a first-of-in-kind dataset with 10 different LiDAR sensor。 LIBREは、現在利用可能なLiDARを公平に比較するための手段を提供するために、研究コミュニティに貢献する。 また、既存の自動運転車やロボティクス関連のソフトウェアの改善も促進する。
  論文  参考訳（メタデータ） (2020-03-13T06:17:39Z)

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。