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

• arxiv url: http://arxiv.org/abs/2305.16129v2
• Date: Fri, 26 May 2023 14:19:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 10:30:59.826843
• 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。 高速道路のようなシナリオで、ラベル付き車両噴霧データを含む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. The dataset is available at http://dx.doi.org/10.18725/OPARU-48815 .
• 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。 データセットはhttp://dx.doi.org/10.18725/oparu-48815で利用可能である。

関連論文リスト

• Label-Efficient Semantic Segmentation of LiDAR Point Clouds in Adverse Weather Conditions [10.306226508237348]
  逆気象条件はLiDARセンサーの性能に深刻な影響を及ぼす可能性がある。 悪天候を検出するための現在のアプローチは、大量のラベル付きデータを必要とする。 本稿では,悪天候下でのLiDAR点雲のセグメンテーションに対するラベル効率のよいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-14T10:29:00Z)
• 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)
• Enhancing Lidar-based Object Detection in Adverse Weather using Offset Sequences in Time [1.1725016312484975]
  ライダーによる物体検出は、雨や霧などの悪天候の影響を著しく受けている。 本研究は,ライダーによる物体検出の信頼性に対する悪天候の影響を緩和する有効な方法の総合的研究である。
  論文  参考訳（メタデータ） (2024-01-17T08:31:58Z)
• 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)
• Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
  本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。 具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
  論文  参考訳（メタデータ） (2023-07-31T09:53:50Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  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。 ロボットオペレーティング・システム(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を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• 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)
• 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)
• 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)
• 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。