論文の概要: Beyond the Vehicle: Cooperative Localization by Fusing Point Clouds for GPS-Challenged Urban Scenarios
- arxiv url: http://arxiv.org/abs/2602.03908v1
- Date: Tue, 03 Feb 2026 14:47:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-05 19:45:11.219821
- Title: Beyond the Vehicle: Cooperative Localization by Fusing Point Clouds for GPS-Challenged Urban Scenarios
- Title（参考訳）: GPSを利用した都市シナリオのためのFusing Point Cloudsによる協力的ローカライゼーション
- Authors: Kuo-Yi Chao, Ralph Rasshofer, Alois Christian Knoll,
- Abstract要約: 本稿では,この問題に対処するための協調型マルチセンサとマルチモーダルローカライゼーション手法を提案する。
提案手法は, 協調データとポイントクラウド登録に基づく同時局所化とマッピングアルゴリズムを統合する。
インフラからの共有データを活用することにより,複雑でGPSにうるさい都市シナリオにおける局所化精度とロバスト性を大幅に向上する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate vehicle localization is a critical challenge in urban environments where GPS signals are often unreliable. This paper presents a cooperative multi-sensor and multi-modal localization approach to address this issue by fusing data from vehicle-to-vehicle (V2V) and vehicle-to-infrastructure (V2I) systems. Our approach integrates cooperative data with a point cloud registration-based simultaneous localization and mapping (SLAM) algorithm. The system processes point clouds generated from diverse sensor modalities, including vehicle-mounted LiDAR and stereo cameras, as well as sensors deployed at intersections. By leveraging shared data from infrastructure, our method significantly improves localization accuracy and robustness in complex, GPS-noisy urban scenarios.
- Abstract（参考訳）: 正確な車両位置推定は、GPS信号が信頼できない都市環境において重要な課題である。
本稿では、車両間(V2V)と車両間(V2I)システムからのデータを融合させることにより、この問題に対処するための協調型マルチセンサとマルチモーダルなローカライズ手法を提案する。
提案手法は,協調データとポイントクラウド登録に基づく同時局所化とマッピング(SLAM)アルゴリズムを統合する。
このシステムは、車両に搭載されたLiDARやステレオカメラ、交差点に配備されたセンサーなど、さまざまなセンサーモードから発生する点雲を処理する。
インフラからの共有データを活用することにより,複雑でGPSにうるさい都市シナリオにおける局所化精度とロバスト性を大幅に向上する。
関連論文リスト
- UrbanIng-V2X: A Large-Scale Multi-Vehicle, Multi-Infrastructure Dataset Across Multiple Intersections for Cooperative Perception [45.81880967650386]
UrbanIng-V2Xは、時間的に整列された34のセンサーシーケンスと、20秒間続く空間的に校正されたセンサーシーケンスから構成される。
すべてのシーケンスは10Hzの周波数でアノテートされ、3D境界ボックスは13のオブジェクトクラスにまたがる。
UrbanIng-V2Xは合計12台の車載RGBカメラ、2台の車載LiDAR、17台のインフラ熱カメラ、12台のインフラLiDARからのデータを提供する。
論文 参考訳（メタデータ） (2025-10-27T16:12:12Z) - Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - Robust Vehicle Localization and Tracking in Rain using Street Maps [2.2651698012357473]
本研究では,道路網を用いた地図情報を用いてドリフト速度推定値の補正を行う車両位置推定手法を提案する。
具体的には, 間欠的なGPS, ドリフトIMU, VO推定を統合したフレキシブルフュージョンアルゴリズムを提案する。
各国の地理的に多様な4つのデータセットに対して,提案手法を強く評価した。
論文 参考訳（メタデータ） (2024-09-02T08:15:12Z) - Accurate Cooperative Localization Utilizing LiDAR-equipped Roadside Infrastructure for Autonomous Driving [2.0499240875882]
LiDARは、センチメートルレベルの精度で車両のローカライズを容易にする。
これらの高精度な手法は、識別可能なマップ機能を持たない環境での信頼性上の課題に直面することが多い。
本稿では,道路側ユニット(RSU)と車両間通信(V2I)を併用して車両の自己位置決定を支援する手法を提案する。
論文 参考訳（メタデータ） (2024-07-11T10:44:42Z) - Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。
データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - Exploring Contextual Representation and Multi-Modality for End-to-End
Autonomous Driving [58.879758550901364]
最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。
我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。
提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
論文 参考訳（メタデータ） (2022-10-13T05:56:20Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - Collaborative 3D Object Detection for Automatic Vehicle Systems via
Learnable Communications [8.633120731620307]
本稿では,3つのコンポーネントから構成される新しい3次元オブジェクト検出フレームワークを提案する。
実験結果と帯域使用量分析により,本手法は通信コストと計算コストを削減できることを示した。
論文 参考訳（メタデータ） (2022-05-24T07:17:32Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - Radar-based Automotive Localization using Landmarks in a Multimodal
Sensor Graph-based Approach [0.0]
本稿では,自動車用レーダによる局部化の問題に対処する。
システムは抽象層としてランドマークとオドメトリ情報を使用する。
単一のセマンティックランドマークマップが、すべてのセンサーで使用され、維持される。
論文 参考訳（メタデータ） (2021-04-29T07:35:20Z)
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。