Fugu-MT 論文翻訳(概要): UniCal: Unified Neural Sensor Calibration

論文の概要: UniCal: Unified Neural Sensor Calibration

arxiv url: http://arxiv.org/abs/2409.18953v1
Date: Fri, 27 Sep 2024 17:56:04 GMT
ステータス: 処理完了
システム内更新日: 2024-10-01 07:41:44.853100
Title: UniCal: Unified Neural Sensor Calibration
Title（参考訳）: UniCal: 統一型ニューラルネットワークキャリブレーション
Authors: Ze Yang, George Chen, Haowei Zhang, Kevin Ta, Ioan Andrei Bârsan, Daniel Murphy, Sivabalan Manivasagam, Raquel Urtasun,
Abstract要約: 自動運転車(SDV)には、LiDARとカメラの正確な校正が必要である。従来のキャリブレーション手法では、制御され構造化されたシーンでキャプチャされたフィデューシャルを利用し、処理を最適化するために対応を計算する。我々は、複数のLiDARとカメラを備えたSDVを強制的に校正する統合フレームワークUniCalを提案する。
参考スコア（独自算出の注目度）: 32.7372115947273
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Self-driving vehicles (SDVs) require accurate calibration of LiDARs and cameras to fuse sensor data accurately for autonomy. Traditional calibration methods typically leverage fiducials captured in a controlled and structured scene and compute correspondences to optimize over. These approaches are costly and require substantial infrastructure and operations, making it challenging to scale for vehicle fleets. In this work, we propose UniCal, a unified framework for effortlessly calibrating SDVs equipped with multiple LiDARs and cameras. Our approach is built upon a differentiable scene representation capable of rendering multi-view geometrically and photometrically consistent sensor observations. We jointly learn the sensor calibration and the underlying scene representation through differentiable volume rendering, utilizing outdoor sensor data without the need for specific calibration fiducials. This "drive-and-calibrate" approach significantly reduces costs and operational overhead compared to existing calibration systems, enabling efficient calibration for large SDV fleets at scale. To ensure geometric consistency across observations from different sensors, we introduce a novel surface alignment loss that combines feature-based registration with neural rendering. Comprehensive evaluations on multiple datasets demonstrate that UniCal outperforms or matches the accuracy of existing calibration approaches while being more efficient, demonstrating the value of UniCal for scalable calibration.
Abstract（参考訳）: 自動運転車(SDV)には、LiDARとカメラの正確な校正が必要である。従来のキャリブレーション法は一般的に、制御され構造化されたシーンでキャプチャされたフィデューシャルを利用し、処理を最適化するために対応を計算する。これらのアプローチは費用がかかり、相当なインフラと運用を必要とするため、車両車両のスケールが困難である。本研究は,複数のLiDARとカメラを備えたSDVを強制的に校正する統合フレームワークUniCalを提案する。本手法は,幾何的および光学的に一貫したセンサ観測を多視点でレンダリングできる,異種シーン表現に基づく。センサのキャリブレーションと背景のシーン表現を異なるボリュームレンダリングにより共同で学習し、特定のキャリブレーションフィデューシャルを必要とせず、屋外センサデータを活用する。この "drive-and-calibrate" アプローチは、既存のキャリブレーションシステムと比較してコストと運用上のオーバーヘッドを大幅に削減し、大規模なSDVの効率的なキャリブレーションを可能にした。異なるセンサからの観測における幾何的整合性を確保するために,特徴ベース登録とニューラルレンダリングを組み合わせた新たな表面アライメント損失を導入する。複数のデータセットに対する総合的な評価では、UniCalは既存のキャリブレーションアプローチの精度に優れ、より効率的であり、拡張性のあるキャリブレーションにはUniCalの価値を示す。

関連論文リスト

Kalib: Markerless Hand-Eye Calibration with Keypoint Tracking [52.4190876409222]
ハンドアイキャリブレーションでは、カメラとロボット間の変換を推定する。ディープラーニングの最近の進歩は、マーカーレス技術を提供するが、それらは課題を提示している。自動的かつ普遍的なマーカーレスハンドアイキャリブレーションパイプラインであるKalibを提案する。
論文参考訳（メタデータ） (2024-08-20T06:03:40Z)
SOAC: Spatio-Temporal Overlap-Aware Multi-Sensor Calibration using Neural Radiance Fields [10.958143040692141]
自律運転のような急速に進化する領域では、動作精度と安定性を確保するために、異なるモードの複数のセンサーを使用することが不可欠である。各センサが提供した情報を単一の共通フレームで正確に活用するためには、これらのセンサを正確に校正することが不可欠である。我々は、共通の表現において異なるモダリティを表現するために、ニューラルラジアンス場(Neural Radiance Fields)の能力を利用する。
論文参考訳（メタデータ） (2023-11-27T13:25:47Z)
CalibFormer: A Transformer-based Automatic LiDAR-Camera Calibration Network [11.602943913324653]
CalibFormerは自動LiDARカメラキャリブレーションのためのエンドツーエンドネットワークである。高精細度表現を実現するために、複数のカメラ層とLiDAR画像層を集約する。平均翻訳誤差は0.8751 Mathrmcm$, 平均回転誤差は0.0562 circ$であった。
論文参考訳（メタデータ） (2023-11-26T08:59:30Z)
From Chaos to Calibration: A Geometric Mutual Information Approach to Target-Free Camera LiDAR Extrinsic Calibration [4.378156825150505]
そこで本研究では,根拠となる真理学習データを必要としない目標外キャリブレーションアルゴリズムを提案する。我々は,KITTI と KITTI-360 の魚眼データセットを用いた改良を行った。
論文参考訳（メタデータ） (2023-11-03T13:30:31Z)
MOISST: Multimodal Optimization of Implicit Scene for SpatioTemporal calibration [4.405687114738899]
コンピュータグラフィックスと暗黙のボリュームシーン表現の最近の進歩を利用して、マルチセンサ空間と時間的キャリブレーションの問題に取り組む。本手法は,非制御・非構造都市環境におけるデータからの高精度でロバストなキャリブレーションを可能にする。本研究では,都市部における自律走行シナリオにおける手法の精度とロバスト性を実証する。
論文参考訳（メタデータ） (2023-03-06T11:59:13Z)
TrajMatch: Towards Automatic Spatio-temporal Calibration for Roadside LiDARs through Trajectory Matching [12.980324010888664]
我々は,道路沿いのLiDARを時間と空間の両方で自動調整できる最初のシステムであるTrajMatchを提案する。実験の結果,TrajMatchは空間キャリブレーション誤差が10cm未満であり,時間キャリブレーション誤差が1.5ms未満であることがわかった。
論文参考訳（メタデータ） (2023-02-04T12:27:01Z)
How to Calibrate Your Event Camera [58.80418612800161]
画像再構成を用いた汎用イベントカメラキャリブレーションフレームワークを提案する。ニューラルネットワークに基づく画像再構成は,イベントカメラの内在的・外在的キャリブレーションに適していることを示す。
論文参考訳（メタデータ） (2021-05-26T07:06:58Z)
Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文参考訳（メタデータ） (2021-01-12T12:02:26Z)
Learning Camera Miscalibration Detection [83.38916296044394]
本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
論文参考訳（メタデータ） (2020-05-24T10:32:49Z)
Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文参考訳（メタデータ） (2020-03-23T10:51:32Z)
Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
論文参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。