論文の概要: GroundGrid:LiDAR Point Cloud Ground Segmentation and Terrain Estimation
- arxiv url: http://arxiv.org/abs/2405.15664v1
- Date: Fri, 24 May 2024 16:02:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 13:20:55.781287
- Title: GroundGrid:LiDAR Point Cloud Ground Segmentation and Terrain Estimation
- Title（参考訳）: GroundGrid:LiDARポイントクラウドグラウンドセグメンテーションと地すべり推定
- Authors: Nicolai Steinke, Daniel Göhring, Raùl Rojas,
- Abstract要約: 本研究では,2次元標高マップを用いて地形推定と点雲地分断問題を解くシステムであるGroundGridを提案する。
グラウンドグリッドのグラウンドセグメンテーションと地形推定性能を評価し,他の最先端手法と比較した。
この結果から、GroundGridは平均94.78%のIoUで他の最先端システムよりも高速で171Hzの性能を維持することができることがわかった。
- 参考スコア（独自算出の注目度）: 0.7373617024876724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The precise point cloud ground segmentation is a crucial prerequisite of virtually all perception tasks for LiDAR sensors in autonomous vehicles. Especially the clustering and extraction of objects from a point cloud usually relies on an accurate removal of ground points. The correct estimation of the surrounding terrain is important for aspects of the drivability of a surface, path planning, and obstacle prediction. In this article, we propose our system GroundGrid which relies on 2D elevation maps to solve the terrain estimation and point cloud ground segmentation problems. We evaluate the ground segmentation and terrain estimation performance of GroundGrid and compare it to other state-of-the-art methods using the SemanticKITTI dataset and a novel evaluation method relying on airborne LiDAR scanning. The results show that GroundGrid is capable of outperforming other state-of-the-art systems with an average IoU of 94.78% while maintaining a high run-time performance of 171Hz. The source code is available at https://github.com/dcmlr/groundgrid
- Abstract（参考訳）: 正確なクラウドグラウンドセグメンテーションは、自動運転車におけるLiDARセンサーの事実上全ての知覚タスクの必須条件である。
特に、点雲からの物体のクラスタリングと抽出は、通常、正確な接地点の除去に依存している。
周辺の地形の正確な推定は、表面の乾燥性、経路計画、障害物予測といった面において重要である。
本稿では,2次元標高マップによる地形推定と点状雲地分断問題を解決するシステムであるGroundGridを提案する。
地上域のセグメンテーションと地形推定性能を評価し,セマンティックKITTIデータセットと航空機LiDARスキャンを用いた新しい評価手法を用いて,他の最先端手法と比較した。
この結果から、GroundGridは平均94.78%のIoUで他の最先端システムよりも高速で171Hzの性能を維持することができることがわかった。
ソースコードはhttps://github.com/dcmlr/groundgridで入手できる。
関連論文リスト
- Point Cloud Forecasting as a Proxy for 4D Occupancy Forecasting [58.45661235893729]
有望な自己管理タスクの1つは、注釈のないLiDARシーケンスからの3Dポイントクラウド予測である。
本課題は,(1)センサ外在物(自動運転車の移動),(2)センサ内在物(特定のLiDARセンサに特有のサンプリングパターン),(3)シーン内の他の物体の形状と動きを暗黙的にキャプチャするアルゴリズムを必要とすることを示す。
センサ外在性および内在性に関する4D占有率予測のポイントクラウドデータをレンダリングすることにより、注釈のないLiDARシーケンスで占有率アルゴリズムをトレーニングし、テストすることができる。
論文 参考訳（メタデータ） (2023-02-25T18:12:37Z) - Towards Accurate Ground Plane Normal Estimation from Ego-Motion [10.22470503842832]
本稿では,車輪付き車両の地上面正規推定のための新しい手法を提案する。
実際には、地平面はブレーキと不安定な路面によって動的に変化する。
提案手法は, 実時間で正確な地平面正規ベクトルを入力し, 推定するためにオドメトリーのみを用いる。
論文 参考訳（メタデータ） (2022-12-08T12:06:36Z) - Ground Plane Matters: Picking Up Ground Plane Prior in Monocular 3D
Object Detection [92.75961303269548]
先行する地平面は、モノクル3次元物体検出(M3OD)における非常に情報的な幾何学的手がかりである
本稿では,両問題を一度に解決するGPENetを提案する。
我々のGPENetは、他の手法よりも優れ、最先端のパフォーマンスを実現し、提案手法の有効性と優位性を示すことができる。
論文 参考訳（メタデータ） (2022-11-03T02:21:35Z) - Patchwork++: Fast and Robust Ground Segmentation Solving Partial
Under-Segmentation Using 3D Point Cloud [7.111443975103329]
いくつかのグラウンドセグメンテーション法では、周囲に応じてパラメータを微調整する必要がある。
部分的な部分分割問題は依然として発生しうるが、これは一部の地域でのグラウンドセグメンテーションの失敗を意味する。
3次元LiDARモデルに基づいて,仮想ノイズを効率的に除去する反射ノイズ除去(RNR)を提案する。
論文 参考訳（メタデータ） (2022-07-25T06:09:02Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - CroCo: Cross-Modal Contrastive learning for localization of Earth
Observation data [62.96337162094726]
地上のLiDAR点雲をリモートセンシング画像上にローカライズすることに興味がある。
本稿では,DEMと高分解能光学画像に基づいて学習を行うコントラスト学習手法を提案する。
ベストシナリオは、トップ1スコア0.71、トップ5スコア0.81を得る。
論文 参考訳（メタデータ） (2022-04-14T15:55:00Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - Patchwork: Concentric Zone-based Region-wise Ground Segmentation with
Ground Likelihood Estimation Using a 3D LiDAR Sensor [0.1657441317977376]
地上のセグメンテーションは、地上の移動プラットフォームがナビゲーションや近隣の物体認識を行うために不可欠である。
提案手法は, 未分割問題に対処するために頑健なtextitPatchwork という新しいグラウンドセグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2021-08-12T06:52:10Z) - Accurate and Robust Scale Recovery for Monocular Visual Odometry Based
on Plane Geometry [7.169216737580712]
地上面の高精度かつロバストな推定を生かした軽量なスケール復元フレームワークを開発した。
KITTIデータセットの実験により,提案したフレームワークが翻訳誤りの点から最先端の精度を達成できることが示されている。
軽量な設計のため、我々のフレームワークはデータセット上で20Hzの高周波数を示す。
論文 参考訳（メタデータ） (2021-01-15T07:21:24Z) - Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。
本稿では,従来のアプローチのさらなる発展について述べる。
複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文 参考訳（メタデータ） (2020-08-09T09:26:30Z)
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。