論文の概要: Optimizing the Placement of Roadside LiDARs for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2310.07247v1
• Date: Wed, 11 Oct 2023 07:24:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 07:47:50.241246
• Title: Optimizing the Placement of Roadside LiDARs for Autonomous Driving
• Title（参考訳）: 自動運転のための道路側LiDARの配置最適化
• Authors: Wentao Jiang, Hao Xiang, Xinyu Cai, Runsheng Xu, Jiaqi Ma, Yikang Li, Gim Hee Lee, Si Liu
• Abstract要約: 道路沿いのLiDARの配置を最適化する方法は不可欠だが、見落とされがちな問題である。 本稿では,シーン内の最適化位置を選択することで,道路側LiDARの配置を最適化する手法を提案する。 Roadside-Optという名前のデータセットは、ロードサイドLiDAR配置問題の研究を容易にするために、CARLAシミュレータを使って作成されている。
• 参考スコア（独自算出の注目度）: 61.584278382844595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent cooperative perception is an increasingly popular topic in the field of autonomous driving, where roadside LiDARs play an essential role. However, how to optimize the placement of roadside LiDARs is a crucial but often overlooked problem. This paper proposes an approach to optimize the placement of roadside LiDARs by selecting optimized positions within the scene for better perception performance. To efficiently obtain the best combination of locations, a greedy algorithm based on perceptual gain is proposed, which selects the location that can maximize the perceptual gain sequentially. We define perceptual gain as the increased perceptual capability when a new LiDAR is placed. To obtain the perception capability, we propose a perception predictor that learns to evaluate LiDAR placement using only a single point cloud frame. A dataset named Roadside-Opt is created using the CARLA simulator to facilitate research on the roadside LiDAR placement problem.
• Abstract（参考訳）: 多エージェント協調認識は、道路沿いのLiDARが重要な役割を果たす自動運転分野において、ますます人気が高まっている。 しかし、道路沿いのLiDARの配置を最適化する方法は重要であるが、しばしば見落とされがちな問題である。 本稿では,道路側LiDARの配置を最適にするために,シーン内の最適な位置を選択する手法を提案する。 位置の最適な組み合わせを効率的に得るために,知覚的利得に基づく欲求アルゴリズムを提案し,知覚的利得を逐次最大化できる位置を選択する。 我々は、新しいLiDARを配置する際の知覚能力の増加として知覚ゲインを定義する。 認識能力を得るために,一点クラウドフレームのみを用いてLiDAR配置を評価することを学ぶ知覚予測器を提案する。 Roadside-Optという名前のデータセットは、ロードサイドLiDAR配置問題の研究を容易にするために、CARLAシミュレータを使って作成されている。

関連論文リスト

• Reward-Augmented Data Enhances Direct Preference Alignment of LLMs [56.24431208419858]
  報奨条件付き大言語モデル(LLM)を導入し、データセット内の応答品質のスペクトル全体から学習する。 そこで本稿では,品質スコアに優先ペアを条件付け,報酬を加算したデータセットを構築する,効果的なデータレバーベリング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-10T16:01:51Z)
• Preference-Guided Reinforcement Learning for Efficient Exploration [7.83845308102632]
  LOPE: Learning Online with trajectory Preference guidancE, a end-to-end preference-guided RL framework。 我々の直感では、LOPEは人的フィードバックをガイダンスとして考慮し、オンライン探索の焦点を直接調整する。 LOPEは収束率と全体的な性能に関して、最先端のいくつかの手法より優れている。
  論文  参考訳（メタデータ） (2024-07-09T02:11:12Z)
• A Deep Dive into the Trade-Offs of Parameter-Efficient Preference Alignment Techniques [63.10251271444959]
  大規模言語モデルは最初、数兆のトークンで事前訓練され、その後、特定の好みに合わせて命令調整または調整される。 我々は,3つの重要な軸に対する人気選択の影響を詳細に調査する。 300以上の実験にまたがるセットアップでは、一貫した傾向と予期せぬ結果が明らかになる。
  論文  参考訳（メタデータ） (2024-06-07T12:25:51Z)
• Is Your LiDAR Placement Optimized for 3D Scene Understanding? [8.233185931617122]
  一般的な運転データセットは、主に単一LiDARシステムを使用し、悪条件を伴わないデータを収集する。 そこで我々は,LiDAR配置最適化,データ生成,下流評価を含む全サイクルパイプラインであるPlace3Dを提案する。 各種気象・センサ故障条件下でのLiDARセマンティックセマンティックセグメンテーションと3次元物体検出タスクにおいて, 例外的な結果を示す。
  論文  参考訳（メタデータ） (2024-03-25T17:59:58Z)
• Prompt-Tuning Decision Transformer with Preference Ranking [83.76329715043205]
  本稿では,環境情報取得におけるRLエージェントの誘導手法としてトラジェクトリセグメントを用いたPrompt-Tuning DTアルゴリズムを提案する。 提案手法では,ガウス分布をランダムにサンプリングしてプロンプト軌道の要素を微調整し,選好ランク関数を用いて最適化方向を求める。 我々の研究は、RLにおける迅速な調整手法の進歩に寄与し、特定の選好タスクに対して大規模RLエージェントを最適化するための有望な方向性を提供する。
  論文  参考訳（メタデータ） (2023-05-16T17:49:04Z)
• Analyzing Infrastructure LiDAR Placement with Realistic LiDAR [14.163886343824064]
  V2X(V2X)協調知覚は注目されている。 インフラセンサの最適配置を見つける方法はめったに研究されていない。 本稿では,インフラセンサの最適設置位置を効率よく,効果的に検出できるパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-11-29T07:18:32Z)
• End-To-End Optimization of LiDAR Beam Configuration for 3D Object Detection and Localization [87.56144220508587]
  与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。 ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。 本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
  論文  参考訳（メタデータ） (2022-01-11T09:46:31Z)
• Improving Perception via Sensor Placement: Designing Multi-LiDAR Systems for Autonomous Vehicles [16.45799795374353]
  確率的占有グリッド(POG)に基づく計算が容易な情報理論的サーロゲートコストメトリックを提案し、最大センシングのためのLiDAR配置を最適化する。 以上の結果から,センサ配置は3Dポイントクラウドによる物体検出において重要な要素であり,最先端の認識アルゴリズムでは10%の精度で性能が変動する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-05-02T01:52:18Z)
• Learning to Localize Using a LiDAR Intensity Map [87.04427452634445]
  自動運転車のリアルタイム・キャリブレーション非依存・効果的なローカライズシステムを提案する。 私たちの方法は、オンラインLiDARスイープと強度マップをジョイントディープ埋め込みスペースに埋め込む方法を学びます。 システム全体の動作は15hzで,さまざまなlidarセンサや環境においてセンチメートルレベルの精度を実現しています。
  論文  参考訳（メタデータ） (2020-12-20T11:56:23Z)

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。