論文の概要: CARD: A Multi-Modal Automotive Dataset for Dense 3D Reconstruction in Challenging Road Topography
- arxiv url: http://arxiv.org/abs/2605.05014v2
- Date: Thu, 07 May 2026 10:59:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 17:36:06.17072
- Title: CARD: A Multi-Modal Automotive Dataset for Dense 3D Reconstruction in Challenging Road Topography
- Title（参考訳）: CARD: 混在する道路地形における高密度3次元再構成のための多モード自動車データセット
- Authors: Gasser Elazab, Frank Neuhaus, Tilman Koß, Malte Splietker, Aditya Date, Michael Unterreiner, Maximilian Jansen, Olaf Hellwich,
- Abstract要約: CARDは、高速バンプ、ポットホール、不規則な表面、オフロードセグメントに富んだ連続したシーケンスにわたって、準高密度の3D地上真実を提供する駆動データセットである。
センサースイートには、同期されたグローバルシャッターステレオカメラ、前後のLiDAR、LiDAR慣性オドメトリーからの6-DoFポーズ、ホイール毎の動きトレース、フルキャリブレーションが含まれています。
データセットはドイツとイタリアで110kmから4.7時間に及ぶ。
- 参考スコア（独自算出の注目度）: 2.365610178729227
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving must operate across diverse surfaces to enable safe mobility. However, most driving datasets are captured on well-paved flat roads. Moreover, recent driving datasets primarily provide sparse LiDAR ground truth for images, which is insufficient for assessing fine-grained geometry in depth estimation and completion. To address these gaps, we introduce CARD, a multi-modal driving dataset that delivers quasi-dense 3D ground truth across continuous sequences rich in speed bumps, potholes, irregular surfaces and off-road segments. Our sensor suite includes synchronized global-shutter stereo cameras, front and rear LiDARs, 6-DoF poses from LiDAR-inertial odometry, per-wheel motion traces, and full calibration. Notably, our multi-LiDAR fusion yields ~500K valid depth pixels per frame, about 6.5x more than KITTI Depth Completion and 10x more on average than other public driving datasets. The dataset spans ~110 km and 4.7 hours across Germany and Italy. In addition, CARD provides 2D bounding boxes targeting road-topography irregularities, enabling accurate benchmarking for both geometry and perception tasks. Furthermore, we establish a standardized evaluation protocol for road surface irregularities on CARD and benchmark state-of-the-art depth estimation models to provide strong baselines. The CARD dataset is hosted on https://huggingface.co/CARD-Data.
- Abstract（参考訳）: 自律運転は、安全な移動を可能にするために多様な表面を横断して運転する必要がある。
しかし、ほとんどの運転データセットは、よく舗装された平坦な道路で撮影されている。
さらに、最近の運転データセットは、主に、深さ推定と完了におけるきめ細かい幾何学を評価するのに不十分な画像に対して、疎いLiDAR基底真理を提供する。
これらのギャップに対処するために、CARDは、高速バンプ、ポットホール、不規則な表面、オフロードセグメントに富んだ連続したシーケンスにわたって、準高密度の3D地上真実を提供するマルチモーダル駆動データセットである。
センサースイートには、同期されたグローバルシャッターステレオカメラ、前部と後部のLiDAR、LiDAR慣性オドメトリーからの6-DoFポーズ、ホイール毎の動きトレース、フルキャリブレーションが含まれています。
特に、我々のマルチLiDAR融合は、1フレームあたり500Kの有効深度画素、KITTI深度補完の約6.5倍、他の公共運転データセットの約10倍の精度で生成される。
データセットはドイツとイタリアで110kmから4.7時間に及ぶ。
さらに、CARDは道路地形の不規則をターゲットとした2Dバウンディングボックスを提供し、幾何学と知覚の両方のタスクの正確なベンチマークを可能にする。
さらに,CARD上での路面不規則性評価プロトコルの標準化と,高いベースラインを提供するための最先端深度推定モデルのベンチマークを行う。
CARDデータセットはhttps://huggingface.co/CARD-Dataにホストされている。
関連論文リスト
- STONE Dataset: A Scalable Multi-Modal Surround-View 3D Traversability Dataset for Off-Road Robot Navigation [20.183016318362558]
STONEはオフロードナビゲーションのための大規模マルチモーダルデータセットである。
データセットは昼夜、草原、農地、建設現場、湖など幅広い環境と環境をカバーしている。
ボクセルレベルの3次元トレーサビリティ予測のベンチマークを確立し,単一モードとマルチモードの両方で強力なベースラインを提供する。
論文 参考訳（メタデータ） (2026-03-10T04:26:00Z) - Boreas Road Trip: A Multi-Sensor Autonomous Driving Dataset on Challenging Roads [9.445873585799813]
Boreas-RTは9つの現実世界のルートで収集された60のシーケンスで構成され、総走行距離は643kmである。
データ収集プラットフォームには、5MPのFLIR Blackfly Sカメラ、360度ナビテックRAS6ドップラー対応回転レーダー、128チャンネルのVelodyne Alpha Prime lidar、Dynaparホイールエンコーダが含まれる。
論文 参考訳（メタデータ） (2026-02-18T20:53:59Z) - DrivIng: A Large-Scale Multimodal Driving Dataset with Full Digital Twin Integration [35.44401354820601]
我々は18kmのルートの完全なデジタル双対を持つ大規模マルチモーダルデータセットであるDrivIngを提示する。
我々のデータセットは、6台のRGBカメラ、1台のLiDAR、そして1日中、夕暮れ時、夜の間を撮影する高精度ADMAベースのローカライゼーションから連続的な記録を提供する。
DrivIngは実際のトラフィックをシミュレーションに1対1で転送し、エージェントのインタラクションを保存すると同時に、現実的で柔軟なシナリオテストを可能にする。
論文 参考訳（メタデータ） (2026-01-21T18:41:05Z) - SS3DM: Benchmarking Street-View Surface Reconstruction with a Synthetic 3D Mesh Dataset [25.962746964527224]
ストリートビューシナリオのための正確な3D表面の再構築は、デジタルエンターテイメントや自動運転といったアプリケーションにとって不可欠である。
CARLAシミュレータからエクスポートしたtextbfSynthetic textbfStreet-view textbf3D textbfMeshモデルからなるSS3DMデータセットを提案する。
6台のRGBカメラと5台のLiDARセンサーを搭載した車両を、多様な屋外シーンで仮想的に駆動する。
論文 参考訳（メタデータ） (2024-10-29T04:54:45Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - 3D Data Augmentation for Driving Scenes on Camera [50.41413053812315]
本稿では,Drive-3DAugと呼ばれる3次元データ拡張手法を提案する。
まずNeural Radiance Field(NeRF)を用いて,背景および前景の3次元モデルの再構成を行う。
そして、予め定義された背景の有効領域に適応した位置と向きの3Dオブジェクトを配置することにより、拡張駆動シーンを得ることができる。
論文 参考訳（メタデータ） (2023-03-18T05:51:05Z) - Argoverse 2: Next Generation Datasets for Self-Driving Perception and
Forecasting [64.7364925689825]
Argoverse 2(AV2)は、自動運転分野の研究の知覚と予測のための3つのデータセットの集合である。
Lidarデータセットには、ラベルなしのLidar点雲とマップ整列ポーズの2万のシーケンスが含まれている。
Motion Forecastingデータセットには、各ローカルシーンにおける自動運転車と他のアクター間の興味深い、挑戦的なインタラクションのために採掘された25万のシナリオが含まれている。
論文 参考訳（メタデータ） (2023-01-02T00:36:22Z) - IDD-3D: Indian Driving Dataset for 3D Unstructured Road Scenes [79.18349050238413]
デプロイ可能なディープラーニングアーキテクチャの準備とトレーニングには、さまざまなトラフィックシナリオに適したモデルが必要である。
インドなどいくつかの発展途上国で見られる非構造的で複雑な運転レイアウトは、これらのモデルに挑戦している。
我々は、複数のカメラと12kの注釈付き駆動LiDARフレームを備えたLiDARセンサーのマルチモーダルデータからなる新しいデータセットIDD-3Dを構築した。
論文 参考訳（メタデータ） (2022-10-23T23:03:17Z) - 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) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳（メタデータ） (2021-06-21T12:28:08Z)
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。