論文の概要: Characterizing Lidar Range-Measurement Ambiguity due to Multiple Returns

• arxiv url: http://arxiv.org/abs/2604.09282v1
• Date: Fri, 10 Apr 2026 12:52:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.861322
• Title: Characterizing Lidar Range-Measurement Ambiguity due to Multiple Returns
• Title（参考訳）: 複数のリターンによるライダー距離測定のあいまいさの特徴
• Authors: Jason H. Rife, Yifan Li,
• Abstract要約: ライダーセンサーは、ポーズ推定システムにますます組み込まれている。 ライダーの局在化アルゴリズムでは、ライダーは常に与えられた光路に沿って一意の表面を識別すると考えられている。 本稿では,特定のレイパスに沿った確率的リターンを持つ事例を特徴付けるためにライダーデータセットを解析する。
• 参考スコア（独自算出の注目度）: 4.135450333039427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable position and attitude sensing is critical for highly automated vehicles that operate on conventional roadways. Lidar sensors are increasingly incorporated into pose-estimation systems. Despite its great utility, lidar is a complex sensor, and its performance in roadway environments is not yet well understood. For instance, it is often assumed in lidar-localization algorithms that a lidar will always identify a unique surface along a given raypath. However, this assumption is not always true, as ample prior evidence exists to suggest that lidar units may generate measurements probabilistically when more than one scattering surface appears within the lidar's conical beam. In this paper, we analyze lidar datasets to characterize cases with probabilistic returns along particular raypaths. Our contribution is to present representative cumulative distribution functions (CDFs) for raypaths observed by two different mechanically rotating lidar units with stationary bases. In subsequent discussion, we outline a qualitative methodology to assess the effect of probabilistic multi-return cases on lidar-based localization.
• Abstract（参考訳）: 従来の道路を走行する高度自動走行車には、信頼性の高い位置と姿勢感知が不可欠である。 ライダーセンサーは、ポーズ推定システムにますます組み込まれている。 優れた実用性にもかかわらず、ライダーは複雑なセンサーであり、道路環境における性能はまだよく分かっていない。 例えば、ライダーの局在化アルゴリズムでは、ライダーは常に与えられた光線パスに沿って一意の表面を識別する、という仮定がしばしばある。 しかし、この仮定は必ずしも真実ではないため、ライダーユニットが1つ以上の散乱面がライダーの円錐形ビーム内に現れると確率的に測定が生成されることを示唆する十分な証拠が存在する。 本稿では,特定のレイパスに沿った確率的リターンを持つ事例を特徴付けるためにライダーデータセットを解析する。 本研究は,静止基盤を有する2種類の機械回転ライダーユニットで観測されたレイパスに対する代表累積分布関数(CDF)について述べる。 その後の議論では,ライダーによる局所化に対する確率的マルチリターンケースの効果を評価するための定性的な方法論を概説する。

関連論文リスト

• Uncertainty Estimation for Deep Reconstruction in Actuatic Disaster Scenarios with Autonomous Vehicles [68.82821445619759]
  原理的不確実性定量化は 能動センシング戦略に不可欠です Evidential Deep Learningは、すべてのセンサ構成で最高の再構築精度と不確実性校正を実現する。 これらの知見は、リアルタイムの自動運転車配備における不確実性認識フィールド再構築の方法として、エビデンシャル・ディープ・ラーニングを支持している。
  論文  参考訳（メタデータ） (2026-04-07T19:17:44Z)
• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• Towards Generative Ray Path Sampling for Faster Point-to-Point Ray Tracing [5.567300300236187]
  本稿では,潜在的光線経路を効率的にサンプリングするための機械学習支援レイトレーシング手法を提案する。 我々のモデルは、あらゆる可能なパスの中で潜在的に有効なパスを優先順位付けし、シーンの複雑さと線形にスケールすることを学ぶ。
  論文  参考訳（メタデータ） (2024-10-31T09:42:03Z)
• 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)
• Online Distribution Shift Detection via Recency Prediction [43.84609690251748]
  偽陽性率を保証した分布変化をオンラインで検出する手法を提案する。 我々のシステムは(確率$epsilon$で)分布シフトがない場合、誤った警告を発行する可能性は極めて低い。 従来の作業に比べて、現実的なロボティクス設定の最大11倍高速な検出を経験的に達成している。
  論文  参考訳（メタデータ） (2022-11-17T22:29:58Z)
• Understanding of the properties of neural network approaches for transient light curve approximations [37.91290708320157]
  本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。 テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
  論文  参考訳（メタデータ） (2022-09-15T18:00:08Z)
• Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
  本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。 予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。 我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
  論文  参考訳（メタデータ） (2019-12-30T20:25:16Z)

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。