論文の概要: Detecting the Anomalies in LiDAR Pointcloud

• arxiv url: http://arxiv.org/abs/2308.00187v1
• Date: Mon, 31 Jul 2023 22:53:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 16:12:14.199858
• Title: Detecting the Anomalies in LiDAR Pointcloud
• Title（参考訳）: LiDAR Pointcloudにおける異常検出
• Authors: Chiyu Zhang, Ji Han, Yao Zou, Kexin Dong, Yujia Li, Junchun Ding, Xiaoling Han
• Abstract要約: 逆の気象条件は、LiDARが散乱ノイズ点や異常強度値などの異常なパターンを持つ点雲を発生させる可能性がある。 そこで本研究では,LiDARが点雲特性を解析して異常点雲を発生しているかどうかを検知する手法を提案する。
• 参考スコア（独自算出の注目度）: 8.827947115933942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR sensors play an important role in the perception stack of modern autonomous driving systems. Adverse weather conditions such as rain, fog and dust, as well as some (occasional) LiDAR hardware fault may cause the LiDAR to produce pointcloud with abnormal patterns such as scattered noise points and uncommon intensity values. In this paper, we propose a novel approach to detect whether a LiDAR is generating anomalous pointcloud by analyzing the pointcloud characteristics. Specifically, we develop a pointcloud quality metric based on the LiDAR points' spatial and intensity distribution to characterize the noise level of the pointcloud, which relies on pure mathematical analysis and does not require any labeling or training as learning-based methods do. Therefore, the method is scalable and can be quickly deployed either online to improve the autonomy safety by monitoring anomalies in the LiDAR data or offline to perform in-depth study of the LiDAR behavior over large amount of data. The proposed approach is studied with extensive real public road data collected by LiDARs with different scanning mechanisms and laser spectrums, and is proven to be able to effectively handle various known and unknown sources of pointcloud anomaly.
• Abstract（参考訳）: LiDARセンサーは、現代の自動運転システムの知覚スタックにおいて重要な役割を果たす。 雨、霧、塵などの逆の気象条件や、LiDARのハードウェア故障は、LiDARが散在するノイズポイントや異常強度値などの異常なパターンを持つ点雲を発生させる可能性がある。 本稿では,LiDARが異常な点雲を発生しているかどうかを,点雲特性を解析して検出する手法を提案する。 具体的には,LDAR点の空間および強度分布に基づく点雲品質指標を開発し,純粋な数学的解析に依存し,学習ベースの手法のようにラベル付けやトレーニングを必要としない点雲の雑音レベルを特徴付ける。 そのため、この手法はスケーラブルであり、LiDARデータの異常を監視したり、オフラインで大量のデータ上でのLiDARの挙動を詳細に調査することで、オンラインでの自律性の向上を迅速に行うことができる。 提案手法は, 異なる走査機構とレーザースペクトルを持つライダーによって収集された広範にわたる実道路データを用いて検討され, 様々な既知および未知の点雲異常を効果的に処理できることが証明された。

関連論文リスト

• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [50.808933338389686]
  LiDARシミュレーションは、自動運転におけるクローズドループシミュレーションにおいて重要な役割を果たす。 都市景観におけるLiDARセンサスキャンをリアルタイムに再現するために,最初のLiDARガウス法であるLiDAR-GSを提案する。 我々の手法は、深度、強度、レイドロップチャンネルを同時に再現することに成功し、公開可能な大規模シーンデータセットにおけるフレームレートと品質の両方のレンダリング結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• UltraLiDAR: Learning Compact Representations for LiDAR Completion and Generation [51.443788294845845]
  我々は、シーンレベルのLiDAR補完、LiDAR生成、LiDAR操作のためのデータ駆動フレームワークであるUltraLiDARを提案する。 スパース点雲の表現を高密度点雲の表現に合わせることで、スパース点雲を密度化できることが示される。 個別のコードブック上で事前学習を行うことで、多種多様な現実的なLiDARポイントクラウドを自動走行のために生成できます。
  論文  参考訳（メタデータ） (2023-11-02T17:57:03Z)
• Traj-LO: In Defense of LiDAR-Only Odometry Using an Effective Continuous-Time Trajectory [20.452961476175812]
  本文では,LiDARのみのオドメトリーを連続的視点で検討する。 提案するTraj-LOアプローチは,LiDARの空間的・時間的一貫した動きを回復しようとする。 私たちの実装はGitHubでオープンソース化されています。
  論文  参考訳（メタデータ） (2023-09-25T03:05:06Z)
• LiDAR View Synthesis for Robust Vehicle Navigation Without Expert Labels [50.40632021583213]
  我々は、危険な位置で物理的に運転することなく、新しい視点からLiDAR点雲を合成することを提案する。 我々は、LiDARスキャンを入力とし、将来の軌跡を出力として予測するディープラーニングモデルを訓練する。 次に、この予測軌道にウェイポイントコントローラを適用して、エゴ車両のスロットルおよびステアリングラベルを決定する。
  論文  参考訳（メタデータ） (2023-08-02T20:46:43Z)
• Optimal Transport for Change Detection on LiDAR Point Clouds [16.552050876277242]
  空気中LiDARデータポイント間の教師なし変更検出は,取得システムからの空間的支持とノイズのアンマッチが困難である。 本稿では,2つの時間的支援による3次元LiDAR点の移動の計算に基づく教師なしアプローチを提案する。 本手法では,教師なしの階層分類が可能であり,従来の最先端の教師なし手法よりも有意な差で性能が向上する。
  論文  参考訳（メタデータ） (2023-02-14T13:08:07Z)
• Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
  本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。 このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T01:44:30Z)
• LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object Detection [96.63947479020631]
  多くの現実世界の応用において、大量生産されたロボットや車両が使用するLiDARポイントは通常、大規模な公開データセットよりもビームが少ない。 異なるLiDARビームによって誘導される領域ギャップをブリッジして3次元物体検出を行うLiDAR蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:59:02Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Machine Learning in LiDAR 3D point clouds [0.0]
  本稿では,3次元点雲LiDARデータの分類に関する予備的比較研究を行う。 特に,lidar point cloud内の各点に隣接点に関する情報を付加することで,下流学習アルゴリズムの性能を向上させることができることを示す。 また、主成分分析(PCA)からニューラルネットワークベースの自動エンコーダまで、いくつかの寸法削減戦略を実験し、LiDARポイントクラウドの分類パフォーマンスにどのように影響するかを実証します。
  論文  参考訳（メタデータ） (2021-01-22T20:23:23Z)

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。