論文の概要: Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration

• arxiv url: http://arxiv.org/abs/2304.14520v1
• Date: Thu, 27 Apr 2023 20:21:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 15:56:48.284442
• Title: Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration
• Title（参考訳）: エアロゾル粒子を用いたフロンティア探査のためのハーシュサブテラナン環境からのマルチモーダルデータセット
• Authors: Alexander Kyuroson, Niklas Dahlquist, Nikolaos Stathoulopoulos, Vignesh Kottayam Viswanathan, Anton Koval and George Nikolakopoulos
• Abstract要約: 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。 オンボードセンサーの詳細な説明とデータセットの収集する環境について述べる。 データセットには、Robo Operating System(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が含まれている。
• 参考スコア（独自算出の注目度）: 55.41644538483948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Algorithms for autonomous navigation in environments without Global Navigation Satellite System (GNSS) coverage mainly rely on onboard perception systems. These systems commonly incorporate sensors like cameras and LiDARs, the performance of which may degrade in the presence of aerosol particles. Thus, there is a need of fusing acquired data from these sensors with data from RADARs which can penetrate through such particles. Overall, this will improve the performance of localization and collision avoidance algorithms under such environmental conditions. This paper introduces a multimodal dataset from the harsh and unstructured underground environment with aerosol particles. A detailed description of the onboard sensors and the environment, where the dataset is collected are presented to enable full evaluation of acquired data. Furthermore, the dataset contains synchronized raw data measurements from all onboard sensors in Robot Operating System (ROS) format to facilitate the evaluation of navigation, and localization algorithms in such environments. In contrast to the existing datasets, the focus of this paper is not only to capture both temporal and spatial data diversities but also to present the impact of harsh conditions on captured data. Therefore, to validate the dataset, a preliminary comparison of odometry from onboard LiDARs is presented.
• Abstract（参考訳）: グローバルナビゲーション衛星システム(gnss)を介さない環境における自律的ナビゲーションのためのアルゴリズムは、主にオンボード知覚システムに依存している。 これらのシステムは一般にカメラやライダーのようなセンサーを内蔵しており、その性能はエアロゾル粒子の存在下で劣化する可能性がある。 したがって、これらのセンサーから取得したデータを、そのような粒子を貫通できるRADARのデータと融合させる必要がある。 これにより, 環境条件下での局所化および衝突回避アルゴリズムの性能が向上する。 本稿では, エアロゾル粒子を用いた過酷で非構造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。 データセットを収集するオンボードセンサと環境について詳細な説明を行い、取得したデータの完全な評価を可能にする。 さらに、このデータセットは、ロボットオペレーティングシステム(ros)形式のすべてのオンボードセンサからの同期生データ計測を含み、ナビゲーションの評価や、そのような環境におけるローカライズアルゴリズムが容易になる。 既存のデータセットとは対照的に,本稿では,時間的データと空間的データの両方をキャプチャするだけでなく,取得したデータに対する厳しい条件の影響について述べる。 そこで,このデータセットを検証するために,LiDAR搭載機からのオドメトリーの予備比較を行った。

関連論文リスト

• M3LEO: A Multi-Modal, Multi-Label Earth Observation Dataset Integrating Interferometric SAR and Multispectral Data [1.4053129774629076]
  M3LEOはマルチモーダルでマルチラベルの地球観測データセットである。 6つの地理的領域から約17M 4x4 kmのデータチップにまたがる。
  論文  参考訳（メタデータ） (2024-06-06T16:30:41Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and Ground Truth [61.90504318229845]
  本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。 このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。 このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
  論文  参考訳（メタデータ） (2022-06-13T19:14:06Z)
• Deep learning for radar data exploitation of autonomous vehicle [0.0]
  この論文は、周囲の物体の低コストな能動センサ特性である自動車RADARに焦点を当てている。 RAARセンサーは、角の解像度、サイズ、ノイズ、RAARの生データの複雑さが低いため、シーン理解にはほとんど使われない。 この論文は、注釈付きデータセットの構築から適応型ディープラーニングアーキテクチャの概念まで、RADARシーン理解の広範な研究を提案する。
  論文  参考訳（メタデータ） (2022-03-15T16:19:51Z)
• The Hilti SLAM Challenge Dataset [41.091844019181735]
  構築環境は、同時局所化とマッピング(SLAM)アルゴリズムに難しい問題を引き起こす。 本研究を支援するために,Hilti SLAM Challengeデータセットという新しいデータセットを提案する。 各データセットには正確な基底真理が含まれており、SLAM結果を直接テストすることができる。
  論文  参考訳（メタデータ） (2021-09-23T12:02:40Z)
• 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)
• On the Role of Sensor Fusion for Object Detection in Future Vehicular Networks [25.838878314196375]
  異なるセンサの組み合わせが車両の移動・運転環境の検出にどのように影響するかを評価します。 最終的な目標は、チャネルに分散するデータの量を最小限に抑える最適な設定を特定することです。
  論文  参考訳（メタデータ） (2021-04-23T18:58:37Z)

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。