論文の概要: TWICE Dataset: Digital Twin of Test Scenarios in a Controlled
Environment
- arxiv url: http://arxiv.org/abs/2310.03895v1
- Date: Thu, 5 Oct 2023 21:01:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-10 06:21:55.582352
- Title: TWICE Dataset: Digital Twin of Test Scenarios in a Controlled
Environment
- Title(参考訳): TWICEデータセット:制御された環境でのテストシナリオのディジタル双対
- Authors: Leonardo Novicki Neto, Fabio Reway, Yuri Poledna, Maikol Funk
Drechsler, Eduardo Parente Ribeiro, Werner Huber and Christian Icking
- Abstract要約: 我々は,実検体で得られたセンサデータからなるデータセットを開発し,同じテストシナリオのために実験室で再現した。
提供されるデータセットには、カメラ、レーダー、LiDAR、慣性測定ユニット(IMU)、および悪天候下で記録されたGPSデータが含まれる。
データセットには2時間以上の記録があり、合計280GB以上のデータが含まれている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Ensuring the safe and reliable operation of autonomous vehicles under adverse
weather remains a significant challenge. To address this, we have developed a
comprehensive dataset composed of sensor data acquired in a real test track and
reproduced in the laboratory for the same test scenarios. The provided dataset
includes camera, radar, LiDAR, inertial measurement unit (IMU), and GPS data
recorded under adverse weather conditions (rainy, night-time, and snowy
conditions). We recorded test scenarios using objects of interest such as car,
cyclist, truck and pedestrian -- some of which are inspired by EURONCAP
(European New Car Assessment Programme). The sensor data generated in the
laboratory is acquired by the execution of simulation-based tests in
hardware-in-the-loop environment with the digital twin of each real test
scenario. The dataset contains more than 2 hours of recording, which totals
more than 280GB of data. Therefore, it is a valuable resource for researchers
in the field of autonomous vehicles to test and improve their algorithms in
adverse weather conditions, as well as explore the simulation-to-reality gap.
The dataset is available for download at: https://twicedataset.github.io/site/
- Abstract(参考訳): 悪天候下での自動運転車の安全で信頼性の高い運用を保証することは、依然として大きな課題である。
そこで我々は,実テストトラックで取得し,同じテストシナリオで実験室で再現したセンサデータからなる総合データセットを開発した。
提供されるデータセットには、カメラ、レーダー、LiDAR、慣性測定ユニット(IMU)、悪天候(雨、夜間、雪)で記録されたGPSデータが含まれる。
テストシナリオは、自動車、自転車、トラック、歩行者などの興味のあるオブジェクトを使って記録しました。
実験室で生成されたセンサデータは、実際のテストシナリオのデジタルツインと、ループ環境におけるシミュレーションベースのテストの実行によって取得される。
データセットには2時間以上の記録があり、合計280GB以上のデータが含まれている。
そのため、自動運転車分野の研究者は、悪天候下でアルゴリズムをテストし、改善し、シミュレーションと現実のギャップを探索する上で貴重な資源である。
データセットは、https://twicedataset.github.io/site/でダウンロードできる。
関連論文リスト
- XLD: A Cross-Lane Dataset for Benchmarking Novel Driving View Synthesis [84.23233209017192]
本稿では,自律走行シミュレーションに特化して設計された新しい駆動ビュー合成データセットとベンチマークを提案する。
データセットには、トレーニング軌跡から1-4mずれて取得した画像のテストが含まれているため、ユニークなものだ。
我々は、フロントオンリーおよびマルチカメラ設定下で、既存のNVSアプローチを評価するための最初の現実的なベンチマークを確立する。
論文 参考訳(メタデータ) (2024-06-26T14:00:21Z) - SensoDat: Simulation-based Sensor Dataset of Self-driving Cars [4.135985106933988]
SensoDatは、シミュレーションに基づく自動運転車のテストケースを32,580件実行したデータセットである。
SensoDatは81種類のシミュレーションセンサーからのデータを提供する。
論文 参考訳(メタデータ) (2024-01-18T08:57:53Z) - Challenges of YOLO Series for Object Detection in Extremely Heavy Rain:
CALRA Simulator based Synthetic Evaluation Dataset [0.0]
様々なセンサー(LiDAR、レーダー、カメラなど)による物体検出は、自動運転車に優先されるべきである。
これらのセンサーは、多様な気象条件下で物体を正確に素早く検出する必要があるが、雨や雪、霧といった悪天候条件下で物体を一貫して検出することは困難である。
本研究では,降水条件から得られた雨滴データに基づいて,様々な降水条件下で多様なネットワークモデルをテストすることのできる新しいデータセットを構築した。
論文 参考訳(メタデータ) (2023-12-13T08:45:57Z) - GAN-Based LiDAR Intensity Simulation [3.8697834534260447]
私たちは、実際のテストドライブからカメライメージとLiDARスキャンを変換するために、GANをトレーニングします。
我々は,物体検出ネットワークが実点と合成点の雲をいかに一般化するかをテストすることで,LiDARシミュレーションの性能を検証した。
論文 参考訳(メタデータ) (2023-11-26T20:44:09Z) - UniSim: A Neural Closed-Loop Sensor Simulator [76.79818601389992]
センサ搭載車両によって記録された1つのログをキャプチャする、ニューラルネットワークシミュレータUniSimを提示する。
UniSimは、静的バックグラウンドと動的アクターの両方を再構築するために、ニューラルネットワーク機能グリッドを構築する。
動的オブジェクトの学習可能な事前情報を組み込んで、畳み込みネットワークを利用して未確認領域を完成させる。
論文 参考訳(メタデータ) (2023-08-03T17:56:06Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳(メタデータ) (2023-04-27T20:21:18Z) - SimuShips -- A High Resolution Simulation Dataset for Ship Detection
with Precise Annotations [0.0]
畳み込みニューラルネットワーク(CNN)に基づく最先端の障害物検出アルゴリズム
SimuShipsは、海洋環境向けに公開されているシミュレーションベースのデータセットである。
論文 参考訳(メタデータ) (2022-09-22T07:33:31Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳(メタデータ) (2021-04-30T15:30:05Z) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳(メタデータ) (2020-08-13T17:20:02Z) - High-Precision Digital Traffic Recording with Multi-LiDAR Infrastructure
Sensor Setups [0.0]
融解したLiDAR点雲と単一LiDAR点雲との差について検討した。
抽出した軌道の評価は, 融合インフラストラクチャーアプローチが追跡結果を著しく増加させ, 数cm以内の精度に達することを示す。
論文 参考訳(メタデータ) (2020-06-22T10:57:52Z)
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。