論文の概要: 3D Roadway Scene Object Detection with LIDARs in Snowfall Conditions
- arxiv url: http://arxiv.org/abs/2510.22436v1
- Date: Sat, 25 Oct 2025 21:14:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 15:28:15.197226
- Title: 3D Roadway Scene Object Detection with LIDARs in Snowfall Conditions
- Title（参考訳）: 降雪条件下におけるLIDARによる3次元道路景観物体検出
- Authors: Ghazal Farhani, Taufiq Rahman, Syed Mostaquim Ali, Andrew Liu, Mohamed Zaki, Dominique Charlebois, Benoit Anctil,
- Abstract要約: 本研究は,雪条件下での自動車用グレードLiDARの性能に着目した。
降雪速度の異なるLiDAR信号がいかに減衰するか, 光源近傍の雪粒子が小さいが効率的な反射体として機能するかを検討する。
- 参考スコア（独自算出の注目度）: 2.1580846693824776
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Because 3D structure of a roadway environment can be characterized directly by a Light Detection and Ranging (LiDAR) sensors, they can be used to obtain exceptional situational awareness for assitive and autonomous driving systems. Although LiDARs demonstrate good performance in clean and clear weather conditions, their performance significantly deteriorates in adverse weather conditions such as those involving atmospheric precipitation. This may render perception capabilities of autonomous systems that use LiDAR data in learning based models to perform object detection and ranging ineffective. While efforts have been made to enhance the accuracy of these models, the extent of signal degradation under various weather conditions remains largely not quantified. In this study, we focus on the performance of an automotive grade LiDAR in snowy conditions in order to develop a physics-based model that examines failure modes of a LiDAR sensor. Specifically, we investigated how the LiDAR signal attenuates with different snowfall rates and how snow particles near the source serve as small but efficient reflectors. Utilizing our model, we transform data from clear conditions to simulate snowy scenarios, enabling a comparison of our synthetic data with actual snowy conditions. Furthermore, we employ this synthetic data, representative of different snowfall rates, to explore the impact on a pre-trained object detection model, assessing its performance under varying levels of snowfall
- Abstract（参考訳）: 道路環境の3次元構造は、光検出・照準センサ(LiDAR)によって直接特徴付けられるため、補助運転システムや自律運転システムにおいて、異常な状況認識を得るのに使用できる。
LiDARは、清潔で澄んだ気象条件において優れた性能を示すが、大気降雨などの悪天候条件では、その性能は著しく低下する。
これは、学習ベースモデルでLiDARデータを使用してオブジェクト検出を行い、非効率に範囲を広げる自律システムの知覚能力を示す可能性がある。
これらのモデルの精度を高める努力が続けられてきたが、様々な気象条件下での信号劣化の程度はほとんど定量化されていない。
本研究では,雪条件下での自動車用グレードLiDARの性能に着目し,LiDARセンサの故障モードを調べる物理モデルを開発した。
具体的には, 降雪速度の異なるLiDAR信号がどのように減衰するか, ソース近傍の雪粒子が小さいが効率的な反射体としてどのように機能するかを検討した。
このモデルを用いることで、雪のシナリオをシミュレートするために、明確な条件からデータを変換し、実際の雪の条件と比較することが可能となる。
さらに, 異なる降雪率を表すこの合成データを用いて, 事前学習対象検出モデルへの影響を探索し, 降雪レベルの違いによる性能評価を行った。
関連論文リスト
- Challenges of YOLO Series for Object Detection in Extremely Heavy Rain:
CALRA Simulator based Synthetic Evaluation Dataset [0.0]
様々なセンサー(LiDAR、レーダー、カメラなど)による物体検出は、自動運転車に優先されるべきである。
これらのセンサーは、多様な気象条件下で物体を正確に素早く検出する必要があるが、雨や雪、霧といった悪天候条件下で物体を一貫して検出することは困難である。
本研究では,降水条件から得られた雨滴データに基づいて,様々な降水条件下で多様なネットワークモデルをテストすることのできる新しいデータセットを構築した。
論文 参考訳（メタデータ） (2023-12-13T08:45:57Z) - Survey on LiDAR Perception in Adverse Weather Conditions [6.317642241067219]
アクティブなLiDARセンサーは、シーンの正確な3D表現を作成することができる。
霧、雪、雨などの悪天候条件下でのLiDARの性能は変化する。
我々は、適切なデータの提供、生の点クラウド処理とデノイング、ロバストな認識アルゴリズム、悪天候による欠点を軽減するためのセンサ融合といったトピックに対処する。
論文 参考訳（メタデータ） (2023-04-13T07:45:23Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳（メタデータ） (2022-09-22T13:12:54Z) - LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。
本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。
我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
論文 参考訳（メタデータ） (2022-03-28T21:48:26Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - 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)
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。