論文の概要: A Fully Interpretable Statistical Approach for Roadside LiDAR Background Subtraction

• arxiv url: http://arxiv.org/abs/2510.22390v1
• Date: Sat, 25 Oct 2025 18:18:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.121419
• Title: A Fully Interpretable Statistical Approach for Roadside LiDAR Background Subtraction
• Title（参考訳）: 道路側LiDARバックグラウンドサブトラクションの完全解釈可能な統計的アプローチ
• Authors: Aitor Iglesias, Nerea Aranjuelo, Patricia Javierre, Ainhoa Menendez, Ignacio Arganda-Carreras, Marcos Nieto,
• Abstract要約: 道路側LiDARデータにおける背景部分抽出のための完全解釈可能かつ柔軟な統計的手法を提案する。 マルチライン360度およびマイクロエレクトロメカニカルシステム(MEMS)センサーを含む多様なLiDARタイプをサポートする。 最小のバックグラウンドデータであっても、精度と柔軟性において最先端の技術よりも優れています。
• 参考スコア（独自算出の注目度）: 3.9354551232038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a fully interpretable and flexible statistical method for background subtraction in roadside LiDAR data, aimed at enhancing infrastructure-based perception in automated driving. Our approach introduces both a Gaussian distribution grid (GDG), which models the spatial statistics of the background using background-only scans, and a filtering algorithm that uses this representation to classify LiDAR points as foreground or background. The method supports diverse LiDAR types, including multiline 360 degree and micro-electro-mechanical systems (MEMS) sensors, and adapts to various configurations. Evaluated on the publicly available RCooper dataset, it outperforms state-of-the-art techniques in accuracy and flexibility, even with minimal background data. Its efficient implementation ensures reliable performance on low-resource hardware, enabling scalable real-world deployment.
• Abstract（参考訳）: 道路沿いのLiDARデータにおける背景部分抽出のための,完全に解釈可能な,柔軟な統計的手法を提案する。 提案手法では,背景のみのスキャンを用いて背景の空間統計をモデル化するガウス分布格子 (GDG) と,この表現を用いて前景や背景としてLiDAR点を分類するフィルタリングアルゴリズムを導入する。 マルチライン360度およびマイクロエレクトロメカニカルシステム(MEMS)センサーを含む多様なLiDARタイプをサポートし、様々な構成に適応する。 公開されているRCooperデータセットに基づいて評価すると、最小のバックグラウンドデータであっても、精度と柔軟性において最先端の技術よりも優れています。 その効率的な実装により、低リソースのハードウェア上での信頼性が保証され、スケーラブルな現実世界のデプロイメントが可能になる。

関連論文リスト

• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• End-to-End Crop Row Navigation via LiDAR-Based Deep Reinforcement Learning [0.4588028371034407]
  シミュレーションで完全に訓練された深層強化学習ポリシーを用いて,生の3次元LiDARデータを直接制御コマンドにマッピングするエンド・ツー・エンドの学習ナビゲーションシステムを提案する。 本手法は,ラベル付きデータセットや手動設計による制御インタフェースを使わずに,効率的なポリシー学習を実現するために,LDAR入力サイズを95.83%削減するボクセルベースのダウンサンプリング戦略を含む。
  論文  参考訳（メタデータ） (2025-09-23T03:56:10Z)
• LIR-LIVO: A Lightweight,Robust LiDAR/Vision/Inertial Odometry with Illumination-Resilient Deep Features [8.095827028713684]
  提案手法は、深層学習に基づく照明耐性特徴とLIVO(LiDAR-Inertial-Visual Odometry)を利用する。 LIR-LIVOは、高い計算コストで最先端(SOTA)の精度と堅牢性を達成する。
  論文  参考訳（メタデータ） (2025-02-12T05:28:10Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
  Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
  論文  参考訳（メタデータ） (2023-03-23T17:59:02Z)
• Gait Recognition in Large-scale Free Environment via Single LiDAR [35.684257181154905]
  深度を捉えるLiDARの能力は、ロボットの知覚にとって重要な要素であり、現実世界の歩行認識の可能性を秘めている。 本稿では,頑健な歩行認識のための階層型多表現特徴相互作用ネットワーク(HMRNet)を提案する。 LiDARに基づく歩行認識研究を容易にするため,大規模かつ制約のない歩行データセットであるFreeGaitを紹介した。
  論文  参考訳（メタデータ） (2022-11-22T16:05:58Z)
• Weighted Bayesian Gaussian Mixture Model for Roadside LiDAR Object Detection [0.5156484100374059]
  背景モデリングは、静的な背景成分を減じることで移動目標を検出するインテリジェントな監視システムに広く利用されている。 多くの道路沿いのLiDARオブジェクト検出手法は、新しいデータポイントと事前訓練されたバックグラウンド参照を比較して前景点をフィルタリングする。 本稿では,各LiDAR点の標高と方位値に基づいて,生のLiDARデータを構造化表現に変換する。 提案手法は,2つの最先端の道路背景モデル,コンピュータビジョンベンチマーク,深層学習ベースラインを比較し,交通量と難易度で評価された点,対象,経路レベルを比較した。
  論文  参考訳（メタデータ） (2022-04-20T22:48:05Z)

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。