論文の概要: RoMe: Towards Large Scale Road Surface Reconstruction via Mesh Representation

• arxiv url: http://arxiv.org/abs/2306.11368v1
• Date: Tue, 20 Jun 2023 08:16:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 15:03:25.216073
• Title: RoMe: Towards Large Scale Road Surface Reconstruction via Mesh Representation
• Title（参考訳）: RoMe:メッシュ表現による大規模道路表面再構築に向けて
• Authors: Ruohong Mei, Wei Sui, Jiaxin Zhang, Qian Zhang, Tao Peng, Cong Yang
• Abstract要約: メッシュ表現を用いた大規模道路路面復元のための簡易かつ効率的なロメ法を提案する。 問題を単純化するために,RoMeは3次元道路表面を三角形メッシュと多層知覚ネットワークに分解し,暗黙的に道路標高をモデル化する。 大規模環境におけるRoMeの効率を向上させるため,新しい経路点サンプリング法が導入された。
• 参考スコア（独自算出の注目度）: 6.855046105777873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale road surface reconstruction is becoming important to autonomous driving systems, as it provides valuable training and testing data effectively. In this paper, we introduce a simple yet efficient method, RoMe, for large-scale Road surface reconstruction via Mesh representations. To simplify the problem, RoMe decomposes a 3D road surface into a triangle-mesh and a multilayer perception network to model the road elevation implicitly. To retain fine surface details, each mesh vertex has two extra attributes, namely color and semantics. To improve the efficiency of RoMe in large-scale environments, a novel waypoint sampling method is introduced. As such, RoMe can properly preserve road surface details, with only linear computational complexity to road areas. In addition, to improve the accuracy of RoMe, extrinsics optimization is proposed to mitigate inaccurate extrinsic calibrations. Experimental results on popular public datasets also demonstrate the high efficiency and accuracy of RoMe.
• Abstract（参考訳）: 自動運転システムにとって、大規模な路面再構築が重要になってきており、貴重なトレーニングとテストデータを効果的に提供する。 本稿では,メッシュ表現による道路表面の大規模再構築のための簡易かつ効率的なRoMe法を提案する。 問題を単純化するために,RoMeは3次元道路表面を三角形メッシュと多層知覚ネットワークに分解し,暗黙的に道路標高をモデル化する。 表面の詳細を維持するために、各メッシュ頂点には2つの追加属性、すなわち色と意味がある。 大規模環境におけるローマの効率を向上させるため,新しいウェイポイントサンプリング法を提案する。 そのため、RoMeは路面の詳細を適切に保存することができ、路面領域に線形計算の複雑さしか持たない。 さらに,RoMeの精度を向上させるために,不正確な外因性キャリブレーションを軽減するために,外因性最適化を提案する。 人気のある公開データセットの実験結果もまた、RoMeの高効率性と精度を示している。

関連論文リスト

• ROAD-Waymo: Action Awareness at Scale for Autonomous Driving [17.531603453254434]
  ROAD-Waymoは、道路シーンにおけるエージェント、アクション、位置、イベント検出の技術の開発とベンチマークのための広範なデータセットである。 既存のデータセット(および複数の都市を含む)よりもかなり大きく、より困難なものには、198kの注釈付きビデオフレーム、54kのエージェントチューブ、3.9Mのバウンディングボックス、合計12.4Mのラベルがある。
  論文  参考訳（メタデータ） (2024-11-03T20:46:50Z)
• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• StreetSurfGS: Scalable Urban Street Surface Reconstruction with Planar-based Gaussian Splatting [85.67616000086232]
  StreetSurfGSは、スケーラブルな街路景観の再構築に適したガウススプラッティングを利用するための最初の方法である。 StreetSurfGSは、平面ベースのオクツリー表現とセグメンテーショントレーニングを使用して、メモリコストを削減し、ユニークなカメラ特性に対応し、スケーラビリティを確保する。 スパースビューとマルチスケールの課題に対処するために、隣接する情報と長期情報を活用する2段階マッチング戦略を用いる。
  論文  参考訳（メタデータ） (2024-10-06T04:21:59Z)
• RoadRunner M&M -- Learning Multi-range Multi-resolution Traversability Maps for Autonomous Off-road Navigation [12.835198004089385]
  RoadRunner (M&M) はエンドツーエンドの学習ベースのフレームワークで、さまざまな範囲のトレーバービリティと標高マップを直接予測する。 RoadRunner M&Mは、標高マッピングで最大50%の大幅な改善と、RoadRunner上でのトラバーサビリティ推定で30%の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-09-17T07:21:03Z)
• RoBus: A Multimodal Dataset for Controllable Road Networks and Building Layouts Generation [4.322143509436427]
  ロードネットワークとビルディングレイアウト(RoBus)の制御可能な生成のための評価指標を備えたマルチモーダルデータセットを導入する。 RoBusは、これまでのところ、都市世代で最初の、そして最大のオープンソースデータセットだ。 我々は,RoBusデータセットを統計的に分析し,既存の道路網と建築レイアウト生成手法の有効性を検証した。 道路ネットワークや建物レイアウトの生成プロセスにおいて,道路配向や建物密度などの都市特性を取り入れた新しいベースラインを設計する。
  論文  参考訳（メタデータ） (2024-07-10T16:55:01Z)
• RoGs: Large Scale Road Surface Reconstruction with Meshgrid Gaussian [10.50103969885774]
  道路面の再建は自動運転において重要な役割を担っている。 本稿では,メッシュグリッドガウシアン(RoGs)を用いた大規模道路表面再構築手法を提案する。 様々な挑戦的な現実世界のシーンにおける道路面の再構築において,優れた結果を得た。
  論文  参考訳（メタデータ） (2024-05-23T09:11:47Z)
• RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
  道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。 我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。 約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
  論文  参考訳（メタデータ） (2023-10-03T17:59:32Z)
• LaMAR: Benchmarking Localization and Mapping for Augmented Reality [80.23361950062302]
  異種ARデバイスでキャプチャされたリアルな軌跡とセンサストリームを共登録する,包括的キャプチャとGTパイプラインを備えた新しいベンチマークであるLaMARを紹介する。 私たちは、ヘッドマウントとハンドヘルドARデバイスで記録された多様な大規模シーンのベンチマークデータセットを公開します。
  論文  参考訳（メタデータ） (2022-10-19T17:58:17Z)
• Incremental 3D Scene Completion for Safe and Efficient Exploration Mapping and Planning [60.599223456298915]
  本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。 本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。 最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
  論文  参考訳（メタデータ） (2022-08-17T14:19:33Z)
• Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
  我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。 我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。 北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
  論文  参考訳（メタデータ） (2020-12-21T18:59:12Z)

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。