論文の概要: The GOOSE Dataset for Perception in Unstructured Environments
- arxiv url: http://arxiv.org/abs/2310.16788v1
- Date: Wed, 25 Oct 2023 17:20:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 13:20:27.307700
- Title: The GOOSE Dataset for Perception in Unstructured Environments
- Title(参考訳): 非構造環境における認識のためのGOOSEデータセット
- Authors: Peter Mortimer, Raphael Hagmanns, Miguel Granero, Thorsten Luettel,
Janko Petereit, Hans-Joachim Wuensche
- Abstract要約: 本研究では,非構造屋外環境を対象とした包括的データセットを提案する。
GOOSEデータセットには10万のラベル付きイメージとポイントクラウドが含まれており、さまざまな最先端セグメンテーションモデルをトレーニングするために使用される。
このイニシアチブは、既存のデータセットのシームレスなインクルージョンを可能にし、非構造化環境で動作しているさまざまなロボットの知覚能力を高めるための、共通のフレームワークを確立することを目的としている。
- 参考スコア(独自算出の注目度): 3.0408645115035036
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The potential for deploying autonomous systems can be significantly increased
by improving the perception and interpretation of the environment. However, the
development of deep learning-based techniques for autonomous systems in
unstructured outdoor environments poses challenges due to limited data
availability for training and testing. To address this gap, we present the
German Outdoor and Offroad Dataset (GOOSE), a comprehensive dataset
specifically designed for unstructured outdoor environments. The GOOSE dataset
incorporates 10 000 labeled pairs of images and point clouds, which are
utilized to train a range of state-of-the-art segmentation models on both image
and point cloud data. We open source the dataset, along with an ontology for
unstructured terrain, as well as dataset standards and guidelines. This
initiative aims to establish a common framework, enabling the seamless
inclusion of existing datasets and a fast way to enhance the perception
capabilities of various robots operating in unstructured environments. The
dataset, pre-trained models for offroad perception, and additional
documentation can be found at https://goose-dataset.de/.
- Abstract(参考訳): 自律システムの展開の可能性は、環境の認識と解釈を改善することで著しく向上することができる。
しかしながら、非構造化屋外環境における自律システムのためのディープラーニングベースの技術の開発は、トレーニングとテストのためのデータ可用性の制限による課題を提起する。
このギャップに対処するため、非構造屋外環境向けに設計された包括的なデータセットであるドイツアウトドア・オフロードデータセット(GOOSE)を提示する。
gooseデータセットには10万のラベル付きイメージとポイントクラウドが含まれており、イメージとポイントクラウドデータの両方で最先端のセグメンテーションモデルをトレーニングするために使用される。
データセットと、非構造化地形のオントロジー、およびデータセット標準とガイドラインをオープンソースにしています。
このイニシアチブは、既存のデータセットをシームレスに包含し、非構造環境で動作するさまざまなロボットの認識能力を高めるための高速方法を可能にする、共通のフレームワークを確立することを目的としている。
データセット、オフロード知覚のための事前学習されたモデル、その他のドキュメントはhttps://goose-dataset.de/にある。
関連論文リスト
- ConstScene: Dataset and Model for Advancing Robust Semantic Segmentation
in Construction Environments [1.4070907500169874]
本稿では,建設現場に適したセマンティックセグメンテーションデータセットを提案する。
このデータセットは、オブジェクト検出モデルのトレーニングと評価を強化するように設計されている。
論文 参考訳(メタデータ) (2023-12-27T10:49:19Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - SynDrone -- Multi-modal UAV Dataset for Urban Scenarios [11.338399194998933]
ピクセルレベルのアノテーションを持つ大規模な実際のデータセットの不足は、研究者にとって大きな課題となっている。
本研究では,複数の飛行高度で撮影された画像と3次元データを含むマルチモーダル合成データセットを提案する。
データセットは、UAVアプリケーションをターゲットにした新しいコンピュータビジョンメソッドの開発をサポートするために公開されます。
論文 参考訳(メタデータ) (2023-08-21T06:22:10Z) - 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) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳(メタデータ) (2023-02-16T13:41:19Z) - Uncertainty-aware Perception Models for Off-road Autonomous Unmanned
Ground Vehicles [6.2574402913714575]
オフロード自律無人地上車両(UGV)は、遠隔地で重要な物資を供給するために軍用および商業用途のために開発されている。
現在のデータセットは、季節、場所、セマンティッククラス、および日時における多様性の欠如に対する、オフロード自律ナビゲーションのための知覚モデルのトレーニングに使用されています。
本研究では,複数のデータセットを組み合わせてセグメンテーションに基づく環境認識モデルを学習する方法について検討する。
我々は,不確実性を捉えるためにモデルをトレーニングすることで,モデルの性能を著しく向上させることができることを示した。
論文 参考訳(メタデータ) (2022-09-22T15:59:33Z) - TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual
Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。
既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文 参考訳(メタデータ) (2022-08-16T20:46:08Z) - A Fine-Grained Dataset and its Efficient Semantic Segmentation for
Unstructured Driving Scenarios [1.933681537640272]
非構造環境における自律運転のためのセマンティックセグメンテーションデータセットであるTAS500を紹介する。
TAS500は、微粒の植生と地形クラスを提供し、屋外のシーンで運転可能な表面と自然の障害を効果的に学習します。
本実験は,全体的な予測精度を向上させるための細粒度セマンティクスクラスの利点を実証する。
論文 参考訳(メタデータ) (2021-03-24T11:30:43Z) - GANav: Group-wise Attention Network for Classifying Navigable Regions in
Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。
本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。
RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文 参考訳(メタデータ) (2021-03-07T02:16:24Z) - RELLIS-3D Dataset: Data, Benchmarks and Analysis [16.803548871633957]
RELLIS-3Dはオフロード環境で収集されたマルチモーダルデータセットである。
データはテキサスA&M大学のRellis Campusで収集されました。
論文 参考訳(メタデータ) (2020-11-17T18:28:01Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳(メタデータ) (2020-08-11T19:10:32Z)
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。