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
- Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。
本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。
カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
論文 参考訳(メタデータ) (2024-04-11T10:26:40Z) - EMIE-MAP: Large-Scale Road Surface Reconstruction Based on Explicit Mesh and Implicit Encoding [21.117919848535422]
EMIE-MAPは,暗黙的メッシュと暗黙的符号化に基づく大規模道路表面再構成手法である。
本手法は,様々な現実の難易度シナリオにおいて,顕著な路面復元性能を実現する。
論文 参考訳(メタデータ) (2024-03-18T13:46:52Z) - 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) - RoadFormer: Duplex Transformer for RGB-Normal Semantic Road Scene Parsing [17.118074007418123]
RoadFormer(ロードフォーマー)は、トランスフォーマーベースの道路シーン解析用データフュージョンネットワークである。
RoadFormerは、ロードシーン解析のための最先端ネットワークをすべて上回っている。
論文 参考訳(メタデータ) (2023-09-19T06:32:19Z) - Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid
Representation and Normal Prior Enhancement [53.10080345190996]
多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。
近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。
本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
論文 参考訳(メタデータ) (2023-09-14T12:05:29Z) - Semi-supervised Road Updating Network (SRUNet): A Deep Learning Method
for Road Updating from Remote Sensing Imagery and Historical Vector Maps [3.350048575501172]
本研究では,道路更新のための半教師付き学習(SRUNet)に基づく道路検出手法を提案する。
提案したSRUNetは,幅広い道路更新作業に対して,安定かつ最新かつ信頼性の高い予測結果を提供する。
論文 参考訳(メタデータ) (2023-04-28T16:51:35Z) - 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。