論文の概要: GSeg3D: A High-Precision Grid-Based Algorithm for Safety-Critical Ground Segmentation in LiDAR Point Clouds

• arxiv url: http://arxiv.org/abs/2603.04208v1
• Date: Wed, 04 Mar 2026 15:55:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.895792
• Title: GSeg3D: A High-Precision Grid-Based Algorithm for Safety-Critical Ground Segmentation in LiDAR Point Clouds
• Title（参考訳）: GSeg3D:LiDAR点群における安全クリティカルグラウンドセグメンテーションのための高精度グリッドベースアルゴリズム
• Authors: Muhammad Haider Khan Lodhi, Christoph Hertzberg,
• Abstract要約: 点雲データのグラウンドセグメンテーションは、グラウンドポイントを非グラウンドポイントから分離するプロセスである。 既存の手法は、安全クリティカルな環境で要求される高い精度に欠けることが多い。 本稿では,一貫した高精度を実現するための地上分割手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ground segmentation in point cloud data is the process of separating ground points from non-ground points. This task is fundamental for perception in autonomous driving and robotics, where safety and reliable operation depend on the precise detection of obstacles and navigable surfaces. Existing methods often fall short of the high precision required in safety-critical environments, leading to false detections that can compromise decision-making. In this work, we present a ground segmentation approach designed to deliver consistently high precision, supporting the stringent requirements of autonomous vehicles and robotic systems operating in real-world, safety-critical scenarios.
• Abstract（参考訳）: 点雲データのグラウンドセグメンテーションは、グラウンドポイントを非グラウンドポイントから分離するプロセスである。 このタスクは自律走行とロボット工学における認識の基礎であり、安全と信頼性の高い操作は障害物や航行可能な表面の正確な検出に依存する。 既存の手法は、安全クリティカルな環境で要求される高精度を欠くことが多く、誤った検出が意思決定を損なう可能性がある。 本研究では,自律走行車やロボットシステムの現実的,安全クリティカルなシナリオにおける厳密な要求をサポートするため,一貫した高精度を実現するために設計された地上セグメンテーション手法を提案する。

関連論文リスト

• Infrastructure Sensor-enabled Vehicle Data Generation using Multi-Sensor Fusion for Proactive Safety Applications at Work Zone [8.125809724901366]
  インフラベースセンシングとリアルタイム軌道生成は、ワークゾーンなどの高リスク道路セグメントの安全性向上を約束する。 本研究では、路面カメラとLiDARセンサーを協調環境に組み込むことにより、これらの障壁に対処する。 シミュレーションでは、融合アルゴリズムは個々のセンサーと比較して、長手誤差を最大70%削減した。
  論文  参考訳（メタデータ） (2025-09-29T19:58:27Z)
• LiDAR Based Semantic Perception for Forklifts in Outdoor Environments [0.31457219084519]
  複雑な屋外環境で動作する自律フォークリフトに適した,新しいLiDARベースのセマンティックセマンティックセマンティックセマンティクスフレームワークを提案する。 私たちのアプローチの中心は、前方と下向きのLiDARセンサーを組み合わせたデュアルLiDARシステムの統合です。 2つのセンサーから取得した高分解能な3D点雲を用いて、本手法では、ポイント雲を安全クリティカルなインスタンスクラスに分割する軽量で堅牢なアプローチを採用する。
  論文  参考訳（メタデータ） (2025-05-28T11:45:14Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
  メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。 コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。 ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
  論文  参考訳（メタデータ） (2022-10-03T08:38:38Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Bayesian Deep Learning for Segmentation for Autonomous Safe Planetary Landing [7.1581738936972]
  本稿では,ベイジアンディープラーニングセグメンテーション法のハザード検出への応用を提案する。 ベイジアンディープラーニングとセマンティックセグメンテーションを通じて、安全予測マップとその不確実性マップを同時に生成する。 実験は、Mars HiRISEデジタル地形モデルに基づくシミュレーションデータで示される。
  論文  参考訳（メタデータ） (2021-02-21T08:13:49Z)
• Domain Adaptation for Outdoor Robot Traversability Estimation from RGB data with Safety-Preserving Loss [12.697106921197701]
  本稿では,車載RGBカメラの視野内で異なる経路のトラバーススコアを推定し,予測する深層学習に基づくアプローチを提案する。 次に、勾配反転非教師付き適応によるドメインシフトに対処することで、モデルの能力を向上する。 実験結果から,本手法は移動可能領域を良好に同定し,目に見えない場所に一般化できることが示唆された。
  論文  参考訳（メタデータ） (2020-09-16T09:19:33Z)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)

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。