論文の概要: Energy-based Detection of Adverse Weather Effects in LiDAR Data

• arxiv url: http://arxiv.org/abs/2305.16129v1
• Date: Thu, 25 May 2023 15:03:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 14:40:25.158382
• Title: Energy-based Detection of Adverse Weather Effects in LiDAR Data
• Title（参考訳）: LiDARデータによる逆気象効果のエネルギーベース検出
• Authors: Aldi Piroli, Vinzenz Dallabetta, Johannes Kopp, Marc Walessa, Daniel Meissner, Klaus Dietmayer
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.924836086640871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous vehicles rely on LiDAR sensors to perceive the environment. Adverse weather conditions like rain, snow, and fog negatively affect these sensors, reducing their reliability by introducing unwanted noise in the measurements. In this work, we tackle this problem by proposing a novel approach for detecting adverse weather effects in LiDAR data. We reformulate this problem as an outlier detection task and use an energy-based framework to detect outliers in point clouds. More specifically, our method learns to associate low energy scores with inlier points and high energy scores with outliers allowing for robust detection of adverse weather effects. In extensive experiments, we show that our method performs better in adverse weather detection and has higher robustness to unseen weather effects than previous state-of-the-art methods. Furthermore, we show how our method can be used to perform simultaneous outlier detection and semantic segmentation. Finally, to help expand the research field of LiDAR perception in adverse weather, we release the SemanticSpray dataset, which contains labeled vehicle spray data in highway-like scenarios.
• Abstract（参考訳）: 自動運転車は環境を知覚するためにLiDARセンサーを利用する。 雨、雪、霧などの悪天候はこれらのセンサーに悪影響を及ぼし、測定に望ましくないノイズを導入することで信頼性を低下させる。 本研究では,LiDARデータにおける悪天候の影響を検出する新しい手法を提案する。 我々は,この問題を外れ値検出タスクとして再構成し,エネルギーベースのフレームワークを用いて点群内の外れ値を検出する。 より具体的には、低エネルギースコアと異常点と高エネルギースコアを、悪天候の影響をロバストに検出できる異常値とを関連付けることを学ぶ。 広範な実験において,本手法は従来の手法よりも悪天候検出性能が良好で,気象効果の良さが高まることを示した。 さらに,本手法を用いて,外乱検出とセマンティックセグメンテーションを同時に行う方法を示す。 最後に、悪天候下でのLiDAR知覚の研究分野の拡大を支援するため、高速道路のようなシナリオにラベル付き車両噴霧データを含むセマンティックスパイデータセットをリリースする。

関連論文リスト

• Survey on LiDAR Perception in Adverse Weather Conditions [6.317642241067219]
  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。
  論文  参考訳（メタデータ） (2023-04-13T07:45:23Z)
• RadSegNet: A Reliable Approach to Radar Camera Fusion [7.407841890626661]
  カメラとレーダーの融合システムは、あらゆる天候の信頼性の高い高品質な知覚にユニークな機会を提供する。 本稿では,独立した情報抽出の新たな設計思想を用いたRadSegNetを提案する。 最先端の手法と比較して、RadSegNetはAstyxを27%改善し、RADIATEを41.46%改善した。
  論文  参考訳（メタデータ） (2022-08-08T00:09:16Z)
• Robust 3D Object Detection in Cold Weather Conditions [7.924836086640871]
  逆気象条件はLiDARベースの物体検出器に悪影響を及ぼす可能性がある。 寒冷環境における自動車排ガスの凝縮現象に着目した。 本稿では,データ拡張と新たなトレーニング損失項を用いてこの問題を解決することを提案する。
  論文  参考訳（メタデータ） (2022-05-24T09:37:07Z)
• How Do We Fail? Stress Testing Perception in Autonomous Vehicles [40.19326157052966]
  本稿では、悪天候下での自動運転車のLiDARによる認識システムの故障を特徴付ける手法を提案する。 本研究では,物体追跡や乱れの列による軌道予測において,潜在的な故障を発見するための強化学習に基づく手法を開発する。
  論文  参考訳（メタデータ） (2022-03-26T20:48:09Z)
• 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)
• Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
  本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-11T14:37:54Z)
• Bandit Quickest Changepoint Detection [61.570875627085485]
  急激な変化は、しばしば局所的で観察可能なものであり、主によく整列された感覚行動によって行われる。 リソースの制約のため、すべてのセンサーの継続的な監視は現実的ではない。 本稿では,センサコストと検出遅延のバランスをとる手段として,帯域幅の速い変更点検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• 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)
• LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
  本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。 自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
  論文  参考訳（メタデータ） (2020-10-02T00:13:00Z)
• Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
  本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。 レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。 実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
  論文  参考訳（メタデータ） (2020-09-30T19:01:33Z)

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。