論文の概要: IRisPath: Enhancing Off-Road Navigation with Robust IR-RGB Fusion for Improved Day and Night Traversability

• arxiv url: http://arxiv.org/abs/2412.03173v1
• Date: Wed, 04 Dec 2024 09:53:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:07:09.915068
• Title: IRisPath: Enhancing Off-Road Navigation with Robust IR-RGB Fusion for Improved Day and Night Traversability
• Title（参考訳）: IRisPath:ロバストIR-RGB融合によるオフロードナビゲーションの強化
• Authors: Saksham Sharma, Akshit Raizada, Suresh Sundaram,
• Abstract要約: 従来の道路上での自律的な手法は、ダイナミックな地形に苦しむため、オフロードでの車両制御は貧弱である。 近年の深層学習モデルでは、知覚センサと審美的フィードバックを併用して、そのような地形のナビゲーションを行っている。 本稿では,LWIRとRGB画像を用いて動的気象や光条件に対する堅牢性を実現するマルチモーダル核融合ネットワークFuseIsPathを提案する。
• 参考スコア（独自算出の注目度）: 2.21687743334279
• License:
• Abstract: Autonomous off-road navigation is required for applications in agriculture, construction, search and rescue and defence. Traditional on-road autonomous methods struggle with dynamic terrains, leading to poor vehicle control on off-road. Recent deep-learning models have used perception sensors along with kinesthetic feedback for navigation on such terrains. However, this approach has out-of-domain uncertainty. Factors like change in weather and time of day impacts the performance of the model. We propose a multi modal fusion network FuseIsPath capable of using LWIR and RGB images to provide robustness against dynamic weather and light conditions. To aid further works in this domain, we also open-source a day-night dataset with LWIR and RGB images along with pseudo-labels for traversability. In order to co-register the two images we developed a novel method for targetless extrinsic calibration of LWIR, LiDAR and RGB cameras with translation accuracy of 1.7cm and rotation accuracy of 0.827degree.
• Abstract（参考訳）: 農業、建設、捜索、救助、防衛に自律的なオフロードナビゲーションが必要である。 従来の道路上での自律的な手法は、ダイナミックな地形に苦しむため、オフロードでの車両制御は貧弱である。 近年の深層学習モデルでは、知覚センサと審美的フィードバックを用いて、そのような地形のナビゲーションを行っている。 しかし、このアプローチにはドメイン外の不確実性がある。 天候の変化や日中の時間といった要因が、モデルの性能に影響を与えます。 本稿では,LWIRとRGB画像を用いて動的気象や光条件に対する堅牢性を実現するマルチモーダル核融合ネットワークFuseIsPathを提案する。 この領域でのさらなる作業を支援するため、LWIRとRGBの画像と擬似ラベルを用いた日夜データセットをオープンソースとして公開しています。 本研究では,LWIR,LiDAR,RGBカメラの回転精度1.7cm,回転精度0.827°の目標外キャリブレーション法を開発した。

関連論文リスト

• TEDNet: Twin Encoder Decoder Neural Network for 2D Camera and LiDAR Road Detection [2.8038082486377114]
  道路面の正確な推定のために,新しい畳み込みニューラルネットワークモデルを提案する。 我々のモデルは、独立カメラとLiDAR機能抽出にTwin-Decoder Neural Network(TEDNet)を用いている。 このモデルでは、カメラとLiDARデータのバードアイビュー投影を用いて、各ピクセルが路面に属するか否かのセマンティックセグメンテーションを行う。
  論文  参考訳（メタデータ） (2024-05-14T08:45:34Z)
• UFO: Uncertainty-aware LiDAR-image Fusion for Off-road Semantic Terrain Map Estimation [2.048226951354646]
  本稿では,BEVにおける高密度地形分類図を生成するための学習ベース融合法を提案する。 提案手法は,RGB画像とシングルスイープLiDARスキャンから生成されたセマンティックマップの精度を向上させる。
  論文  参考訳（メタデータ） (2024-03-05T04:20:03Z)
• RoadRunner -- Learning Traversability Estimation for Autonomous Off-road Driving [13.101416329887755]
  我々は、カメラとLiDARセンサーの入力から直接地形変動を予測できるフレームワークであるRoadRunnerと、標高マップを提示する。 RoadRunnerは、センサ情報、不確実性の処理、コンテキスト情報による予測の生成を融合させることで、信頼性の高い自律ナビゲーションを可能にする。 我々は,非構造砂漠環境を通した複数の現実の運転シナリオにおいて,安全かつ信頼性の高いオフロードナビゲーションを実現する上で,ロードランナーの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-29T16:47:54Z)
• NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
  夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。 雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。 雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
  論文  参考訳（メタデータ） (2024-02-28T09:02:33Z)
• NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for Autonomous Driving [57.03126447713602]
  本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。 ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
  論文  参考訳（メタデータ） (2022-09-29T01:30:34Z)
• Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object Detection [58.81316192862618]
  自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。 これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。 我々は、最先端の核融合法を初めてベンチマークした。
  論文  参考訳（メタデータ） (2022-05-30T09:35:37Z)
• Pseudo-LiDAR Based Road Detection [5.9106199000537645]
  推論時にのみRGBが入力となる新しい道路検出手法を提案する。 深度推定を用いた擬似LiDARを利用して,RGBと学習深度情報を融合した特徴融合ネットワークを提案する。 提案手法は, KITTI と R2D の2つのベンチマークにおいて,最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-07-28T11:21:42Z)
• Jointly Modeling Motion and Appearance Cues for Robust RGB-T Tracking [85.333260415532]
  我々はRGBと熱(T)の両モードの融合重量マップを推定する新しい後期融合法を開発した。 外観キューが信頼できない場合には、動作キューを考慮に入れ、トラッカーを堅牢にする。 最近の3つのRGB-T追跡データセットの多くの結果から、提案したトラッカーは他の最先端のアルゴリズムよりも大幅に性能が向上していることが示された。
  論文  参考訳（メタデータ） (2020-07-04T08:11:33Z)
• LIBRE: The Multiple 3D LiDAR Dataset [54.25307983677663]
  We present LIBRE: LiDAR Benchmarking and Reference, a first-of-in-kind dataset with 10 different LiDAR sensor。 LIBREは、現在利用可能なLiDARを公平に比較するための手段を提供するために、研究コミュニティに貢献する。 また、既存の自動運転車やロボティクス関連のソフトウェアの改善も促進する。
  論文  参考訳（メタデータ） (2020-03-13T06:17:39Z)
• Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
  ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。 我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。 私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
  論文  参考訳（メタデータ） (2020-03-05T05:29:44Z)

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。