論文の概要: RoMe: Towards Large Scale Road Surface Reconstruction via Mesh
Representation
- arxiv url: http://arxiv.org/abs/2306.11368v2
- Date: Sat, 4 Nov 2023 07:23:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 21:49:27.197027
- 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, Xue Qin, Gang Wang, Tao Peng and
Cong Yang
- Abstract要約: RoMeは大規模道路面の堅牢な再構築を目的とした新しいフレームワークである。
我々の評価は、速度、正確性、堅牢性の観点から、RoMeの優位性を裏付けるものである。
RoMeの機能は単なる再構築を超えて、自動運転アプリケーションにおけるオートラベルタスクに重要な価値を提供する。
- 参考スコア(独自算出の注目度): 10.104910805074136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In autonomous driving applications, accurate and efficient road surface
reconstruction is paramount. This paper introduces RoMe, a novel framework
designed for the robust reconstruction of large-scale road surfaces. Leveraging
a unique mesh representation, RoMe ensures that the reconstructed road surfaces
are accurate and seamlessly aligned with semantics. To address challenges in
computational efficiency, we propose a waypoint sampling strategy, enabling
RoMe to reconstruct vast environments by focusing on sub-areas and subsequently
merging them. Furthermore, we incorporate an extrinsic optimization module to
enhance the robustness against inaccuracies in extrinsic calibration. Our
extensive evaluations of both public datasets and wild data underscore RoMe's
superiority in terms of speed, accuracy, and robustness. For instance, it costs
only 2 GPU hours to recover a road surface of 600*600 square meters from
thousands of images. Notably, RoMe's capability extends beyond mere
reconstruction, offering significant value for auto-labeling tasks in
autonomous driving applications. All related data and code are available at
https://github.com/DRosemei/RoMe.
- Abstract(参考訳): 自動運転アプリケーションでは、正確で効率的な路面再構築が最重要である。
本稿では,大規模道路面の堅牢な再構築を目的とした新しいフレームワークであるRoMeを紹介する。
ユニークなメッシュ表現を利用することで、再構成された道路表面が正確で、セマンティクスとシームレスに一致していることを保証する。
計算効率の課題に対処するため,我々は,RoMeがサブアレーに着目し,その後にマージすることで,広大な環境を再構築できる経路点サンプリング戦略を提案する。
さらに,外因性キャリブレーションにおける不正確性に対する堅牢性を高めるために,外因性最適化モジュールを組み込んだ。
パブリックデータセットとワイルドデータの両方に対する広範な評価は、速度、正確性、堅牢性という点で、RoMeの優位性を示している。
たとえば、何千もの画像から600*600平方メートルの道路表面を回収するのに2GPU時間しかかからない。
特に、RoMeの機能は単なる再構築を超えて、自律運転アプリケーションにおける自動ラベリングタスクに重要な価値を提供する。
関連するすべてのデータとコードはhttps://github.com/DRosemei/RoMe.comで入手できる。
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。