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
- NavCoT: Boosting LLM-Based Vision-and-Language Navigation via Learning
Disentangled Reasoning [101.56342075720588]
Embodied AIの重要な研究課題であるVision-and-Language Navigation (VLN)は、自然言語の指示に従って複雑な3D環境をナビゲートするために、エンボディエージェントを必要とする。
近年の研究では、ナビゲーションの推論精度と解釈可能性を改善することにより、VLNにおける大きな言語モデル(LLM)の有望な能力を強調している。
本稿では,自己誘導型ナビゲーション決定を実現するために,パラメータ効率の高いドメイン内トレーニングを実現する,Navigational Chain-of-Thought (NavCoT) という新しい戦略を提案する。
論文 参考訳(メタデータ) (2024-03-12T07:27:02Z) - Integrating Higher-Order Dynamics and Roadway-Compliance into
Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。
既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。
このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
論文 参考訳(メタデータ) (2023-09-25T22:30:18Z) - 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) - Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement
Learning [52.2663102239029]
アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。
本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。
配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
論文 参考訳(メタデータ) (2021-03-08T05:34:05Z) - 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) - Efficient Sampling-Based Maximum Entropy Inverse Reinforcement Learning
with Application to Autonomous Driving [35.44498286245894]
本稿では,効率的なサンプリングに基づく最大エントロピー逆強化学習(IRL)アルゴリズムを提案する。
提案アルゴリズムは,非対話的シナリオと対話的シナリオの両方を含む実運転データに基づいて評価する。
論文 参考訳(メタデータ) (2020-06-22T01:41:13Z)
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。