論文の概要: Annotation-Free Detection of Drivable Areas and Curbs Leveraging LiDAR Point Cloud Maps

• arxiv url: http://arxiv.org/abs/2603.27553v1
• Date: Sun, 29 Mar 2026 07:27:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.021946
• Title: Annotation-Free Detection of Drivable Areas and Curbs Leveraging LiDAR Point Cloud Maps
• Title（参考訳）: LiDAR点クラウドマップを利用した乾燥領域と曲線の注釈なし検出
• Authors: Fulong Ma, Daojie Peng, Jun Ma,
• Abstract要約: 深層ニューラルネットワーク(DNN)のためのマップベース自動データラベラ(MADL)モジュールを提案する。 MADLはLiDARマッピング/ローカライゼーションとストレッチ検出を組み合わせることで、両方のタスクのトレーニングデータを自動的に生成する。 実験の結果,MADLは手動ラベリングに比べて優れた性能を示し,従来の自己管理手法よりも頑健さと精度が優れていた。
• 参考スコア（独自算出の注目度）: 4.638932118798778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drivable areas and curbs are critical traffic elements for autonomous driving, forming essential components of the vehicle visual perception system and ensuring driving safety. Deep neural networks (DNNs) have significantly improved perception performance for drivable area and curb detection, but most DNN-based methods rely on large manually labeled datasets, which are costly, time-consuming, and expert-dependent, limiting their real-world application. Thus, we developed an automated training data generation module. Our previous work generated training labels using single-frame LiDAR and RGB data, suffering from occlusion and distant point cloud sparsity. In this paper, we propose a novel map-based automatic data labeler (MADL) module, combining LiDAR mapping/localization with curb detection to automatically generate training data for both tasks. MADL avoids occlusion and point cloud sparsity issues via LiDAR mapping, creating accurate large-scale datasets for DNN training. In addition, we construct a data review agent to filter the data generated by the MADL module, eliminating low-quality samples. Experiments on the KITTI, KITTI-CARLA and 3D-Curb datasets show that MADL achieves impressive performance compared to manual labeling, and outperforms traditional and state-of-the-art self-supervised methods in robustness and accuracy.
• Abstract（参考訳）: 乾燥した領域と縁石は、自動運転車にとって重要な交通要素であり、車両の視覚認識システムの本質的な構成要素を形成し、運転安全性を確保する。 ディープニューラルネットワーク(DNN)は、ドライビング可能な領域の認識性能を大幅に改善し、検出を抑える一方で、ほとんどのDNNベースの手法は、コスト、時間、専門家に依存した大規模な手動ラベル付きデータセットに依存しており、実際のアプリケーションを制限する。 そこで我々は,自動トレーニングデータ生成モジュールを開発した。 これまでの研究では、単一フレームのLiDARとRGBデータを使用してトレーニングラベルを生成しました。 本稿では,LDARマッピング/ローカライゼーションとストレッチ検出を組み合わせた新しいMADLモジュールを提案し,両タスクのトレーニングデータを自動的に生成する。 MADLは、LiDARマッピングを通じて、オクルージョンやポイントクラウドのスパーシリティの問題を避け、DNNトレーニングのための正確な大規模データセットを生成する。 さらに,MADLモジュールが生成するデータをフィルタリングするデータレビューエージェントを構築し,低品質なサンプルを除去する。 KITTI、KITTI-CARLA、および3D-Curbデータセットの実験では、MADLは手動ラベリングよりも優れたパフォーマンスを示し、ロバストネスと精度において従来の最先端の自己管理手法よりも優れていた。

関連論文リスト

• Point-Plane Projections for Accurate LiDAR Semantic Segmentation in Small Data Scenarios [5.856790488516224]
  LiDARポイントクラウドセマンティックセグメンテーションは、自律運転やロボット工学といったアプリケーションにおける3D環境の解釈に不可欠である。 最近の方法では、異なるポイントクラウド表現を利用するか、カメラや外部データセットなどの他のセンサーからのデータを組み込むことで、強力なパフォーマンスを実現している。 点平面投影による2次元表現から特徴を効果的に学習することで点ベース手法の性能を向上させる。
  論文  参考訳（メタデータ） (2025-09-13T15:03:12Z)
• Finetuning Pre-trained Model with Limited Data for LiDAR-based 3D Object Detection by Bridging Domain Gaps [8.897884780881535]
  LiDARベースの3Dオブジェクト検出器は、センサーの設定が異なるターゲットドメインにうまく適応できないことが多い。 近年の研究では、トレーニング済みのバックボーンは大規模でラベルのないLiDARフレームで自己管理的に学習できることが示唆されている。 本研究では,対象データに制限のある事前学習モデルを適用するために,DADT(Domain Adaptive Distill-Tuning)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T08:22:42Z)
• 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)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object Detection [58.81316192862618]
  自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。 これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。 我々は、最先端の核融合法を初めてベンチマークした。
  論文  参考訳（メタデータ） (2022-05-30T09:35:37Z)
• FAST3D: Flow-Aware Self-Training for 3D Object Detectors [12.511087244102036]
  最先端の自己学習アプローチは、主に自律運転データの時間的性質を無視している。 連続したLiDAR点雲上の3次元物体検出器の教師なし領域適応を可能にするフロー認識型自己学習法を提案する。 以上の結果から,先進的なドメイン知識がなければ,最先端技術よりも大幅に向上することが示唆された。
  論文  参考訳（メタデータ） (2021-10-18T14:32:05Z)
• How to Build a Curb Dataset with LiDAR Data for Autonomous Driving [11.632427050596728]
  ビデオカメラと3D LiDARは、検出を抑えるために自動運転車に搭載されている。 カメラベースストレッチ検出手法は、難解な照明条件に悩まされる。 テンプレートアノテーションや効率的なテンプレートラベリングアプローチを備えたデータセットは、要求が高い。
  論文  参考訳（メタデータ） (2021-10-08T08:32:37Z)
• Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera [83.31666463259849]
  2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。 擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。 私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
  論文  参考訳（メタデータ） (2020-12-16T12:10:04Z)
• SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
  本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。 具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。 我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
  論文  参考訳（メタデータ） (2020-10-19T09:23:39Z)
• 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)

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。