論文の概要: RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving
- arxiv url: http://arxiv.org/abs/2310.02262v1
- Date: Tue, 3 Oct 2023 17:59:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 12:49:09.683007
- Title: RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving
- Title(参考訳): RSRD:安全で快適な自動運転のための道路表面再構成データセットとベンチマーク
- Authors: Tong Zhao, Chenfeng Xu, Mingyu Ding, Masayoshi Tomizuka, Wei Zhan,
Yintao Wei
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 67.09546127265034
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the growing demands for safety and comfort in
intelligent robot systems, particularly autonomous vehicles, where road
conditions play a pivotal role in overall driving performance. For example,
reconstructing road surfaces helps to enhance the analysis and prediction of
vehicle responses for motion planning and control systems. We introduce the
Road Surface Reconstruction Dataset (RSRD), a real-world, high-resolution, and
high-precision dataset collected with a specialized platform in diverse driving
conditions. It covers common road types containing approximately 16,000 pairs
of stereo images, original point clouds, and ground-truth depth/disparity maps,
with accurate post-processing pipelines to ensure its quality. Based on RSRD,
we further build a comprehensive benchmark for recovering road profiles through
depth estimation and stereo matching. Preliminary evaluations with various
state-of-the-art methods reveal the effectiveness of our dataset and the
challenge of the task, underscoring substantial opportunities of RSRD as a
valuable resource for advancing techniques, e.g., multi-view stereo towards
safe autonomous driving. The dataset and demo videos are available at
https://thu-rsxd.com/rsrd/
- Abstract(参考訳): 本稿では,道路環境が運転性能全体において重要な役割を担っているインテリジェントロボットシステム,特に自律走行車における安全と快適性の増大に対処する。
例えば、路面の再構築は、移動計画と制御システムの車両応答の分析と予測を強化するのに役立つ。
我々は,様々な運転条件下で,専用プラットフォームで収集した実世界,高解像度,高精度なデータセットであるRoad Surface Reconstruction Dataset (RSRD)を紹介した。
約16,000対のステレオ画像、原点雲、地底深度/分散マップを含む一般的な道路タイプをカバーし、その品質を確保するために正確な後処理パイプラインを備えている。
rsrdに基づき、深度推定とステレオマッチングによる道路プロファイルの復元のための総合ベンチマークを更に構築する。
各種最先端手法による予備評価では、安全自動運転に向けての多視点ステレオなどの技術開発に有用な資源として、RSRDのかなりの機会を浮き彫りにしながら、我々のデータセットの有効性と課題を明らかにしている。
データセットとデモビデオはhttps://thu-rsxd.com/rsrd/で入手できる。
関連論文リスト
- Establishing Reality-Virtuality Interconnections in Urban Digital Twins for Superior Intelligent Road Inspection [8.677223673536092]
道路の整備と交通安全を確保するためには道路検査が不可欠である。
手作業による評価に依存する従来の手法は、労働集約的でコストがかかり、時間を要する。
本稿では,インテリジェント道路検査のためのUrban Digital Twin(UDT)技術に基づくシステムを提案する。
論文 参考訳(メタデータ) (2024-12-23T16:31:29Z) - DiffRoad: Realistic and Diverse Road Scenario Generation for Autonomous Vehicle Testing [12.964224581549281]
DiffRoadは、制御可能で高忠実な3D道路シナリオを生成するために設計された、新しい拡散モデルである。
Road-UNetアーキテクチャは、バックボーンとスキップ接続のバランスを最適化し、高現実性シナリオを生成する。
生成されたシナリオはOpenDRIVEフォーマットで完全に自動化できる。
論文 参考訳(メタデータ) (2024-11-14T13:56:02Z) - 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) - RoadBEV: Road Surface Reconstruction in Bird's Eye View [55.0558717607946]
道路表面の状態、特に幾何学的プロファイルは、自動運転車の走行性能に大きな影響を与え、視覚に基づくオンライン道路再建は、事前に道路情報を確実に捉えている。
Bird's-Eye-View (BEV) の認識は、より信頼性が高く正確な再構築の可能性を秘めている。
本稿では,BEVにおける道路高架化モデルとして,RoadBEV-monoとRoadBEV-stereoの2つのモデルを提案する。
論文 参考訳(メタデータ) (2024-04-09T20:24:29Z) - Deep Perspective Transformation Based Vehicle Localization on Bird's Eye
View [0.49747156441456597]
従来のアプローチでは、環境をシミュレートする複数のセンサーのインストールに依存していた。
シーンのトップダウン表現を生成することで、代替ソリューションを提案する。
本稿では,RGB画像の視点ビューを,周囲の車両を分割した鳥眼ビューマップに変換するアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-11-12T10:16:42Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-02-16T16:54:10Z) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳(メタデータ) (2021-06-21T12:28:08Z) - ROAD: The ROad event Awareness Dataset for Autonomous Driving [16.24547478826027]
ROADは、自動運転車が道路イベントを検出する能力をテストするように設計されている。
22のビデオで構成され、各道路イベントのイメージプレーンの位置を示すバウンディングボックスがアノテートされています。
また、RetinaNetに基づいて、オンライン道路イベント認識のための新しいインクリメンタルアルゴリズムをベースラインとして提供します。
論文 参考訳(メタデータ) (2021-02-23T09:48:56Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳(メタデータ) (2020-12-04T15:10:12Z) - DMD: A Large-Scale Multi-Modal Driver Monitoring Dataset for Attention
and Alertness Analysis [54.198237164152786]
視覚は運転監視システム(DMS)の最も豊かで費用対効果の高い技術である
十分に大規模で包括的なデータセットの欠如は、DMS開発の進展のボトルネックとなっている。
本稿では,実運転シナリオとシミュレーション運転シナリオを含む広範囲なデータセットであるドライバモニタリングデータセット(DMD)を紹介する。
論文 参考訳(メタデータ) (2020-08-27T12:33:54Z)
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。