論文の概要: Urban 3D Change Detection Using LiDAR Sensor for HD Map Maintenance and Smart Mobility

• arxiv url: http://arxiv.org/abs/2510.21112v1
• Date: Fri, 24 Oct 2025 02:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.367496
• Title: Urban 3D Change Detection Using LiDAR Sensor for HD Map Maintenance and Smart Mobility
• Title（参考訳）: LiDARセンサを用いたHDマップメンテナンスとスマートモビリティのための都市3次元変化検出
• Authors: Hezam Albagami, Haitian Wang, Xinyu Wang, Muhammad Ibrahim, Zainy M. Malakan, Abdullah M. Alqamdi, Mohammed H. Alghamdi, Ajmal Mian,
• Abstract要約: 都市規模LiDARのための物体中心型不確実性認識パイプラインを提案する。 これはエポックを多分解能NDTと整列し、次に点対平面ICP、高さを正規化し、位置検出レベルを導出する。 15代表のスービアコでは95.2%の精度、90.4%のmF1、82.6%のmIoUがトリプルトKPConvを超える精度、0.2のmF1、0.8のmIoUがブロックされ、IoUが74.8%に達し、7.6ポイント改善された。
• 参考スコア（独自算出の注目度）: 26.712098856567888
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-definition 3D city maps underpin smart transportation, digital twins, and autonomous driving, where object level change detection across bi temporal LiDAR enables HD map maintenance, construction monitoring, and reliable localization. Classical DSM differencing and image based methods are sensitive to small vertical bias, ground slope, and viewpoint mismatch and yield cellwise outputs without object identity. Point based neural models and voxel encodings demand large memory, assume near perfect pre alignment, degrade thin structures, and seldom enforce class consistent association, which leaves split or merge cases unresolved and ignores uncertainty. We propose an object centric, uncertainty aware pipeline for city scale LiDAR that aligns epochs with multi resolution NDT followed by point to plane ICP, normalizes height, and derives a per location level of detection from registration covariance and surface roughness to calibrate decisions and suppress spurious changes. Geometry only proxies seed cross epoch associations that are refined by semantic and instance segmentation and a class constrained bipartite assignment with augmented dummies to handle splits and merges while preserving per class counts. Tiled processing bounds memory without eroding narrow ground changes, and instance level decisions combine 3D overlap, normal direction displacement, and height and volume differences with a histogram distance, all gated by the local level of detection to remain stable under partial overlap and sampling variation. On 15 representative Subiaco blocks the method attains 95.2% accuracy, 90.4% mF1, and 82.6% mIoU, exceeding Triplet KPConv by 0.2 percentage points in accuracy, 0.2 in mF1, and 0.8 in mIoU, with the largest gain on Decreased where IoU reaches 74.8% and improves by 7.6 points.
• Abstract（参考訳）: 高精細度3Dシティマップは、スマートトランスポート、デジタルツイン、自律運転を支えるもので、双方向の時間的LiDARにわたるオブジェクトレベルの変化検出により、HDマップのメンテナンス、建設監視、信頼性の高いローカライゼーションが可能になる。 古典的DSM差分法と画像ベース法は、小さな垂直バイアス、地面傾斜、視点ミスマッチに敏感であり、物体の同一性のないセルワイズ出力が得られる。 ポイントベースのニューラルモデルとボクセルエンコーディングは、大きなメモリを必要とし、ほぼ完全な事前アライメントを仮定し、細い構造を分解し、クラス一貫した関連をほとんど強制しない。 都市規模LiDARのためのオブジェクト中心型不確実性認識パイプラインを提案する。これは、エポックを多分解能NDTと整列し、その後に点対平面ICPと整列し、高さを正規化し、登録共分散と表面粗さから位置毎の検出レベルを導出し、決定を校正し、急激な変化を抑制する。 幾何学は、セマンティクスとインスタンスのセグメンテーションによって洗練され、クラスごとに保存しながら分割とマージを処理する拡張ダミーによるクラス制約付き二部配置をプロキシのみに定義する。 タイド処理は、狭い地盤変化を損なうことなくメモリをバウンドし、インスタンスレベルの決定は、3次元オーバーラップ、正規方向変位、高さと体積差をヒストグラム距離と組み合わせる。 15代表のスービアコでは95.2%の精度、90.4%のmF1、82.6%のmIoUがトリプルトKPConvを超える精度、0.2のmF1、0.8のmIoUがブロックされ、IoUが74.8%に達し、7.6ポイント改善された。

関連論文リスト

• UMLoc: Uncertainty-Aware Map-Constrained Inertial Localization with Quantified Bounds [1.2246649738388389]
  本稿では,不確実性を考慮したMap-Constrained Inertial Localization(UMLoc)を提案する。 UMLocは、IMUの不確実性をモデル化し、ドリフト・レジリエントな位置決めを実現するために制約をマップするエンドツーエンドのフレームワークである。 その結果,70mの走行距離の平均ドリフト比は5.9%,平均Absolute Trajectory Error(ATE)は1.36mであった。
  論文  参考訳（メタデータ） (2026-01-10T15:49:55Z)
• Dense 3D Displacement Estimation for Landslide Monitoring via Fusion of TLS Point Clouds and Embedded RGB Images [7.144866519844918]
  地すべりモニタリングは、ジオハザードを理解し、関連するリスクを軽減するために不可欠である。 既存の点クラウドベースの手法は、一般的に幾何学的またはラジオメトリック的な情報に依存する。 本稿では,3次元点雲と共登録RGB画像とを融合した階層的分割に基づく粗い微細化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-19T12:28:09Z)
• DIMM: Decoupled Multi-hierarchy Kalman Filter for 3D Object Tracking [50.038098341549095]
  状態推定は、高い操作性を持つ3次元物体追跡において困難である。 本稿では,各方向の異なる動きモデルから推定される推定を効果的に組み合わせる新しいフレームワークであるDIMMを提案する。 DIMMは既存の状態推定手法のトラッキング精度を31.61%99.23%向上させる。
  論文  参考訳（メタデータ） (2025-05-18T10:12:41Z)
• TraIL-Det: Transformation-Invariant Local Feature Networks for 3D LiDAR Object Detection with Unsupervised Pre-Training [21.56675189346088]
  本稿では変換不変ローカル(TraIL)機能と関連するTraIL-Detアーキテクチャを紹介する。 TraILの特徴は、厳密な変換不変性を示し、点密度の変動に効果的に適応する。 彼らはLiDARの固有の等方性放射を利用して局所的な表現を強化する。 提案手法は,KITTI上のmAPを用いて,現代自己監督型3次元物体検出手法より優れている。
  論文  参考訳（メタデータ） (2024-08-25T17:59:17Z)
• Improving Gaussian Splatting with Localized Points Management [52.009874685460694]
  局所的点管理(LPM)は、点加算と幾何校正の両方を最大限に必要としながら、これらの誤り貢献ゾーンを特定することができる。 LPMは特定されたゾーンに点密度を適用し、これらの領域の前にある点の不透明度をリセットし、不適切な点を修正する新しい機会を生み出す。 特に、LPMは静的3DGSとダイナミックなSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現している。
  論文  参考訳（メタデータ） (2024-06-06T16:55:07Z)
• Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric [62.365983810610985]
  そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。 一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
  論文  参考訳（メタデータ） (2023-06-01T11:16:20Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)
• SAR-U-Net: squeeze-and-excitation block and atrous spatial pyramid pooling based residual U-Net for automatic liver CT segmentation [3.192503074844775]
  Squeeze-and-Excitation(SE)ブロック,Atrous Space Pyramid Pooling(ASPP),Resternal Learningといったテクニックを活用した,U-Netベースのフレームワークが提案されている。 提案手法の有効性を2つの公開データセットLiTS17とSLiver07で検証した。
  論文  参考訳（メタデータ） (2021-03-11T02:32:59Z)

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。