論文の概要: Which LiDAR scanning pattern is better for roadside perception: Repetitive or Non-repetitive?

• arxiv url: http://arxiv.org/abs/2511.00060v1
• Date: Tue, 28 Oct 2025 20:50:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.550903
• Title: Which LiDAR scanning pattern is better for roadside perception: Repetitive or Non-repetitive?
• Title（参考訳）: どのLiDARスキャンパターンが道端の知覚に良いか:反復的か非反復的か?
• Authors: Zhiqi Qi, Runxin Zhao, Hanyang Zhuang, Chunxiang Wang, Ming Yang,
• Abstract要約: InfraLiDARs' Benchmark"は,CARLAシミュレーション環境において,インフラストラクチャベースのLiDARを並列に動作させることにより,念入りに収集された新しいデータセットである。 その結果, 反復走査LiDARと128行繰り返しLiDARは, 様々なシナリオにおいて同等な検出性能を示した。
• 参考スコア（独自算出の注目度）: 14.082785631325928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR-based roadside perception is a cornerstone of advanced Intelligent Transportation Systems (ITS). While considerable research has addressed optimal LiDAR placement for infrastructure, the profound impact of differing LiDAR scanning patterns on perceptual performance remains comparatively under-investigated. The inherent nature of various scanning modes - such as traditional repetitive (mechanical/solid-state) versus emerging non-repetitive (e.g. prism-based) systems - leads to distinct point cloud distributions at varying distances, critically dictating the efficacy of object detection and overall environmental understanding. To systematically investigate these differences in infrastructure-based contexts, we introduce the "InfraLiDARs' Benchmark," a novel dataset meticulously collected in the CARLA simulation environment using concurrently operating infrastructure-based LiDARs exhibiting both scanning paradigms. Leveraging this benchmark, we conduct a comprehensive statistical analysis of the respective LiDAR scanning abilities and evaluate the impact of these distinct patterns on the performance of various leading 3D object detection algorithms. Our findings reveal that non-repetitive scanning LiDAR and the 128-line repetitive LiDAR were found to exhibit comparable detection performance across various scenarios. Despite non-repetitive LiDAR's limited perception range, it's a cost-effective option considering its low price. Ultimately, this study provides insights for setting up roadside perception system with optimal LiDAR scanning patterns and compatible algorithms for diverse roadside applications, and publicly releases the "InfraLiDARs' Benchmark" dataset to foster further research.
• Abstract（参考訳）: LiDARベースの道路認識は、先進的なインテリジェントトランスポーテーションシステム(ITS)の基盤となっている。 インフラのLiDAR配置についてかなりの研究が行われてきたが、LiDARの走査パターンの違いが知覚性能に与える影響は、まだ明らかにされていない。 従来の反復(メカニカル/ソリッドステート)や新興の非反復(プリズムベース)システムなど、様々な走査モードの固有の性質は、異なる距離で異なる点雲の分布をもたらし、物体の検出と全体的な環境理解の有効性を批判的に予測する。 本稿では,CARLAシミュレーション環境において,両方の走査パラダイムを示すインフラストラクチャベースのLiDARを同時に運用する新たなデータセットである"InfraLiDARs' Benchmark"を紹介する。 このベンチマークを利用して、各LiDARスキャン能力の総合的統計的解析を行い、これらの異なるパターンが様々な先行する3Dオブジェクト検出アルゴリズムの性能に与える影響を評価する。 その結果, 反復走査LiDARと128行繰り返しLiDARは, 様々なシナリオにおいて同等な検出性能を示した。 繰り返しないLiDARの認識範囲は限られていますが、低価格を考えると費用対効果があります。 最終的に、この研究は、最適なLiDARスキャンパターンと多様な路面アプリケーションのための互換性のあるアルゴリズムを備えた路面認識システムを構築するための洞察を与え、さらなる研究を促進するために"InfraLiDAR' Benchmark"データセットを公開リリースする。

関連論文リスト

• 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)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• Is Your LiDAR Placement Optimized for 3D Scene Understanding? [8.233185931617122]
  一般的な運転データセットは、主に単一LiDARシステムを使用し、悪条件を伴わないデータを収集する。 そこで我々は,LiDAR配置最適化,データ生成,下流評価を含む全サイクルパイプラインであるPlace3Dを提案する。 各種気象・センサ故障条件下でのLiDARセマンティックセマンティックセグメンテーションと3次元物体検出タスクにおいて, 例外的な結果を示す。
  論文  参考訳（メタデータ） (2024-03-25T17:59:58Z)
• MergeOcc: Bridge the Domain Gap between Different LiDARs for Robust Occupancy Prediction [8.993992124170624]
  MergeOccは、複数のデータセットを活用することで、異なるLiDARを同時に扱うように開発されている。 MergeOccの有効性は、自動運転車のための2つの顕著なデータセットの実験を通じて検証される。
  論文  参考訳（メタデータ） (2024-03-13T13:23:05Z)
• Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
  本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。 本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。 我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
  論文  参考訳（メタデータ） (2023-01-03T06:47:31Z)
• Analyzing Infrastructure LiDAR Placement with Realistic LiDAR Simulation Library [22.077414016647516]
  インフラセンサは、V2X(Vine-to-Everything)協調知覚において重要な役割を果たす。 インフラセンサの最適配置を見つける方法はめったに研究されていない。 本研究では,現実的なシミュレーション環境下で,インフラセンサの最適設置位置を効率よく,効果的に見つけることができるパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-11-29T07:18:32Z)
• Improving Perception via Sensor Placement: Designing Multi-LiDAR Systems for Autonomous Vehicles [16.45799795374353]
  確率的占有グリッド(POG)に基づく計算が容易な情報理論的サーロゲートコストメトリックを提案し、最大センシングのためのLiDAR配置を最適化する。 以上の結果から,センサ配置は3Dポイントクラウドによる物体検出において重要な要素であり,最先端の認識アルゴリズムでは10%の精度で性能が変動する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-05-02T01:52:18Z)

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。