論文の概要: FlowCalib: LiDAR-to-Vehicle Miscalibration Detection using Scene Flows

• arxiv url: http://arxiv.org/abs/2601.23107v1
• Date: Fri, 30 Jan 2026 15:53:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.540756
• Title: FlowCalib: LiDAR-to-Vehicle Miscalibration Detection using Scene Flows
• Title（参考訳）: FlowCalib: シーンフローを用いたLiDAR-Vehicleミススキャリブレーション検出
• Authors: Ilir Tahiraj, Peter Wittal, Markus Lienkamp,
• Abstract要約: FlowCalibは、静的オブジェクトのシーンフローからモーションキューを使用してLiDARから車両への誤校正を検出する最初のフレームワークである。 本手法は, 逐次3次元点雲から発生する流れ場における回転不整合による系統的バイアスを利用する。 nuScenesデータセットの実験では、FlowCalibが誤校正を堅牢に検出する能力を示している。
• 参考スコア（独自算出の注目度）: 5.2605916208792225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate sensor-to-vehicle calibration is essential for safe autonomous driving. Angular misalignments of LiDAR sensors can lead to safety-critical issues during autonomous operation. However, current methods primarily focus on correcting sensor-to-sensor errors without considering the miscalibration of individual sensors that cause these errors in the first place. We introduce FlowCalib, the first framework that detects LiDAR-to-vehicle miscalibration using motion cues from the scene flow of static objects. Our approach leverages the systematic bias induced by rotational misalignment in the flow field generated from sequential 3D point clouds, eliminating the need for additional sensors. The architecture integrates a neural scene flow prior for flow estimation and incorporates a dual-branch detection network that fuses learned global flow features with handcrafted geometric descriptors. These combined representations allow the system to perform two complementary binary classification tasks: a global binary decision indicating whether misalignment is present and separate, axis-specific binary decisions indicating whether each rotational axis is misaligned. Experiments on the nuScenes dataset demonstrate FlowCalib's ability to robustly detect miscalibration, establishing a benchmark for sensor-to-vehicle miscalibration detection.
• Abstract（参考訳）: 安全な自動運転には正確なセンサー・車間キャリブレーションが不可欠である。 LiDARセンサーのAngularの誤調整は、自律的な操作中に安全性に重大な問題を引き起こす可能性がある。 しかし、現在の手法は主にセンサー間の誤差の補正に重点を置いており、そもそもこれらのエラーの原因となる個々のセンサーの誤校正を考慮しない。 静的物体のシーンフローから移動キューを用いてLiDARから車間誤校正を検出する最初のフレームワークであるFlowCalibを紹介する。 本手法では, 逐次3次元点雲から発生する流れ場における回転不整合による系統的バイアスを利用して, センサの追加の必要性を解消する。 このアーキテクチャは、フロー推定に先立って神経シーンフローを統合し、学習したグローバルフロー特徴と手作りの幾何学的記述子を融合するデュアルブランチ検出ネットワークを組み込む。 これらの組み合わせ表現により、システムは2つの相補的なバイナリ分類タスクを実行できる: 不正調整が存在するかどうかを示すグローバルバイナリ決定と、各回転軸が不一致であるかどうかを示す軸特異的バイナリ決定である。 nuScenesデータセットの実験では、FlowCalibが誤校正を堅牢に検出する能力を示し、センサと車両の誤校正を検出するためのベンチマークを確立している。

関連論文リスト

• UniCalib: Targetless LiDAR-Camera Calibration via Probabilistic Flow on Unified Depth Representations [30.56092814783138]
  DF-Calibは, キャリブレーションをモード内深さ流量推定問題として再構成するLiDARカメラキャリブレーション法である。 DF-Calibは、カメラ画像から深度マップを推定し、疎LiDAR投影深度マップを完成させる。 本稿では,有効画素を優先する信頼性マップを導入し,深度フロー推定の精度を高めるために,知覚的に重み付けされたスパースフロー損失を提案する。
  論文  参考訳（メタデータ） (2025-04-02T07:09:44Z)
• CaLiV: LiDAR-to-Vehicle Calibration of Arbitrary Sensor Setups [0.8437187555622164]
  自律システムでは、ダイナミック環境における安全かつ効率的なナビゲーションにはセンサキャリブレーションが不可欠である。 既存のLiDARキャリブレーション法の多くは、重なり合う視野を必要とするが、外部センサーデバイスを使ったり、機能豊富な環境を仮定するものもある。 本研究では,CaLiVと呼ばれるマルチLiDARシステムの外部センサ・センサ・センサ・バイヒクルキャリブレーションのための新しいターゲットベース手法を提案する。 このアルゴリズムは、重複しない視野で機能し、外部センサーデバイスを必要としない。
  論文  参考訳（メタデータ） (2025-03-31T08:08:21Z)
• A re-calibration method for object detection with multi-modal alignment bias in autonomous driving [6.672552664633057]
  自律走行における多モード物体検出は、異なるセンサからの補完情報を融合させることにより、大きなブレークスルーを達成した。 LiDARやカメラなどのセンサーとの融合の校正は、以前の研究で常に正確であるはずだった。 実際には、キャリブレーション行列は車両が工場を出る際に固定されるが、機械的振動、道路の隆起、データラグはキャリブレーションバイアスを引き起こす可能性がある。
  論文  参考訳（メタデータ） (2024-05-27T05:46:37Z)
• 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)
• Sensor Fault Detection and Isolation in Autonomous Nonlinear Systems Using Neural Network-Based Observers [6.432798111887824]
  センサ故障検出分離法(s-FDI)は一般的な非線形システムに適用される。 このアプローチの主な側面は、ニューラルネットワークベースのKazantzis-Kravaris/Luenberger(KKL)オブザーバの利用である。
  論文  参考訳（メタデータ） (2023-04-18T09:05:07Z)
• 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)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)
• Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
  本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。 提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
  論文  参考訳（メタデータ） (2021-01-12T12:02:26Z)
• Learning Camera Miscalibration Detection [83.38916296044394]
  本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。 コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。 深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
  論文  参考訳（メタデータ） (2020-05-24T10:32:49Z)

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。