論文の概要: End-to-End LiDAR optimization for 3D point cloud registration
- arxiv url: http://arxiv.org/abs/2602.10492v1
- Date: Wed, 11 Feb 2026 03:51:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-12 21:44:01.444843
- Title: End-to-End LiDAR optimization for 3D point cloud registration
- Title（参考訳）: 3Dポイントクラウド登録のためのエンド・ツー・エンドLiDAR最適化
- Authors: Siddhant Katyan, Marc-André Gardner, Jean-François Lalonde,
- Abstract要約: LiDARセンサーは3D知覚の重要なモダリティであるが、通常、ポイントクラウドの登録のような下流のタスクとは独立して設計されている。
本研究では,センサパラメータを動的に調整する適応型LiDARセンシングフレームワークを提案する。
提案手法は, 位置密度, 雑音, 空間のバランスを最適に調整し, 登録精度と効率を向上する。
- 参考スコア（独自算出の注目度）: 10.662051602024944
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LiDAR sensors are a key modality for 3D perception, yet they are typically designed independently of downstream tasks such as point cloud registration. Conventional registration operates on pre-acquired datasets with fixed LiDAR configurations, leading to suboptimal data collection and significant computational overhead for sampling, noise filtering, and parameter tuning. In this work, we propose an adaptive LiDAR sensing framework that dynamically adjusts sensor parameters, jointly optimizing LiDAR acquisition and registration hyperparameters. By integrating registration feedback into the sensing loop, our approach optimally balances point density, noise, and sparsity, improving registration accuracy and efficiency. Evaluations in the CARLA simulation demonstrate that our method outperforms fixed-parameter baselines while retaining generalization abilities, highlighting the potential of adaptive LiDAR for autonomous perception and robotic applications.
- Abstract（参考訳）: LiDARセンサーは3D知覚の重要なモダリティであるが、通常、ポイントクラウドの登録のような下流のタスクとは独立して設計されている。
従来の登録は、LiDAR設定が固定された事前取得データセットで動作し、サンプリング、ノイズフィルタリング、パラメータチューニングのための、最適なデータ収集と重要な計算オーバーヘッドをもたらす。
本研究では、センサパラメータを動的に調整し、LiDAR取得と登録ハイパーパラメータを協調的に最適化する適応型LiDARセンシングフレームワークを提案する。
センサループに登録フィードバックを組み込むことで, 位置密度, ノイズ, 疎度を最適にバランスさせ, 登録精度と効率を向上する。
CARLAシミュレーションで評価したところ,本手法は一般化能力を維持しつつ,固定パラメータベースラインよりも優れており,自律認識やロボット応用に適応的なLiDARの可能性を強調している。
関連論文リスト
- RLCNet: An end-to-end deep learning framework for simultaneous online calibration of LiDAR, RADAR, and Camera [2.825460805162022]
本稿では,LiDAR,RADAR,カメラセンサのオンライン校正を同時に行うための,エンドツーエンドのトレーニング可能な新しいディープラーニングフレームワークであるRCCNetを提案する。
重み付けされた移動平均と外れ値の拒絶を組み込んだオンラインキャリブレーションフレームワークを導入し、キャリブレーションパラメータの動的調整を可能にする。
一方,既存手法との比較では,提案手法の精度とロバスト性に優れていた。
論文 参考訳（メタデータ） (2025-12-09T05:38:30Z) - SOLVR: Submap Oriented LiDAR-Visual Re-Localisation [13.434340164323473]
SOLVRは、センサーのモード間で位置認識と6-DoF登録を実行する。
我々は,SOLVRがLiDAR-Visual 位置認識と登録のための最先端性能を実現していることを示す。
論文 参考訳（メタデータ） (2024-09-16T12:58:03Z) - 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) - Learning Moving-Object Tracking with FMCW LiDAR [53.05551269151209]
新たに開発したLiDARセンサである周波数変調連続波(FMCW)を用いた学習型移動物体追跡手法を提案する。
ラベルが与えられた場合,同じインスタンスから機能を埋め込みスペースにまとめて,異なるインスタンスから機能を分離してトラッキング品質を向上させる,対照的な学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-02T09:11:36Z) - End-To-End Optimization of LiDAR Beam Configuration for 3D Object
Detection and Localization [87.56144220508587]
与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。
ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。
本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
論文 参考訳（メタデータ） (2022-01-11T09:46:31Z) - LiDAR Point--to--point Correspondences for Rigorous Registration of
Kinematic Scanning in Dynamic Networks [0.0]
本稿では,LiDAR点雲の登録を改善するための新しい軌道調整手法を提案する。
本稿では、新しい観測モデルとして、動的ネットワークにどのように挿入されるか、および対応を選択する方法について述べる。
次に、低コストMEMS慣性センサを用いた実用的な空中レーザー走査シナリオにおける提案手法の性能評価実験について述べる。
論文 参考訳（メタデータ） (2022-01-03T11:53:55Z) - 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) - ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework
for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。
シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。
ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文 参考訳（メタデータ） (2020-09-07T23:46:08Z) - Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。
一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。
定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文 参考訳（メタデータ） (2020-04-04T14:16:27Z)
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。