論文の概要: Geometrically Approximated Modeling for Emitter-Centric Ray-Triangle Filtering in Arbitrarily Dynamic LiDAR Simulation
- arxiv url: http://arxiv.org/abs/2605.10457v1
- Date: Mon, 11 May 2026 12:28:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.803892
- Title: Geometrically Approximated Modeling for Emitter-Centric Ray-Triangle Filtering in Arbitrarily Dynamic LiDAR Simulation
- Title（参考訳）: 任意動的LiDARシミュレーションにおけるエミッタ中心光三角フィルタの幾何学的近似モデリング
- Authors: Rabin Gajmer, Joonas Haapala, Zoltan Beck,
- Abstract要約: 本稿では,Gajmer Ray-Casting Algorithm (GRCA)を提案する。
GRCAは、LiDARエミッターを回転円錐または平面として回転させる幾何学モデルである。
それぞれの三角形のエミッター中心の見かけの領域を使って、どのチャネルとそれらのチャネル内の光線がそれに到達することができるのかを計算します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-time Light Detection And Ranging (LiDAR) simulation must find, per emitted ray, the closest intersecting triangle even in dynamic scenes containing large numbers of moving and deformable objects. Dominant acceleration-structure approaches require rebuilding each frame for dynamic geometry -- a cost that compounds directly with scene dynamics and cannot be amortized regardless of how little actually changed. This paper presents the Gajmer Ray-Casting Algorithm (GRCA), which inverts the question: instead of asking what does each ray hit? it asks which rays can each triangle possibly hit? GRCA geometrically models spinning LiDAR emitters as rotation-traced cones or planes and uses each triangle's emitter-centric apparent area to cull, per triangle, which channels and the rays within those channels can possibly reach it -- without any acceleration structure. GRCA is compute-based and vendor-agnostic by design, targeting highly dynamic, high-resolution simultaneous multi-sensor simulation. At its core, GRCA is a general-purpose ray-casting algorithm: the emitter-centric inversion applies to any setting where rays originate from a known position, not only LiDAR. Benchmarks evaluate 2-8 simultaneous 128x4096-ray LiDARs (360deg/180deg) over complex dynamic scenes -- with just two sensors casting ~1M rays per frame. With range culling inactive, GRCA reaches up to 7.97x over hardware-accelerated OptiX (GPU) and 14.55x over Embree (CPU). Two independent extensions further boost performance even in the most complex scene (~22M triangles, ~9M of which are dynamic, 8 LiDARs): range culling at realistic deployment ranges (10-100m) reaches up to 7.02x GPU and 9.33x CPU; a hybrid pipeline -- GRCA for dynamic geometry, OptiX/Embree for static -- reaches up to 10.5x GPU and 19.2x CPU.
- Abstract（参考訳）: リアルタイム光検出とラング(LiDAR)シミュレーションでは、多数の移動可能な物体と変形可能な物体を含む動的シーンにおいても、最も近い交差三角形である放射光を検出する必要がある。
主要な加速度構造アプローチでは、動的幾何学のために各フレームを再構築する必要がある。
本稿では,Gajmer Ray-Casting Algorithm (GRCA)を提案する。
それぞれの三角形に どの光線が当たるか尋ねます
GRCAは、LiDARエミッターを回転した円錐または平面として回転させ、三角形のエミッター中心の見かけの領域を使って、それぞれのチャネルとそれらのチャネル内の光線が、加速構造なしで到達することができるようにしている。
GRCAは、高ダイナミックで高解像度の同時マルチセンサーシミュレーションをターゲットとした、設計上は計算ベースでベンダーに依存しない。
GRCAは汎用的なレイキャストアルゴリズムであり、放射子中心の逆変換は、LiDARだけでなく、既知の位置から放射される任意の設定に適用される。
ベンチマークでは、複雑なダイナミックシーンに対して2-8個の128x4096線LiDAR(360deg/180deg)を同時に評価している。
GRCAはレンジカリングがアクティブでないため、ハードウェアアクセラレーションされたOptiX(GPU)より7.97倍、Embree(CPU)より14.55倍に達する。
2つの独立した拡張は、最も複雑なシーンでもパフォーマンスをさらに向上させる(322Mの三角形、うち8のLiDAR)。現実的な展開範囲でのレンジカリング(10-100m)は、最大7.02x GPUと9.33x CPU、ハイブリッドパイプライン -- 動的幾何学用のGRCA、静的なOptiX/Embree – 最大10.5x GPUと19.2x CPU。
関連論文リスト
- RayMamba: Ray-Aligned Serialization for Long-Range 3D Object Detection [22.69508399616915]
RayMambaは、ボクセルベースの3D検出器のための幾何学的なプラグ・アンド・プレイ・エンハンスメントである。
スパースボクセルを、レイアラインのシリアライズ戦略によってセクター的に順序付けられたシーケンスに整理する。
これはLiDARのみの検出器とマルチモーダル検出器の両方と互換性があり、わずかなオーバーヘッドしか導入していない。
論文 参考訳（メタデータ） (2026-04-03T09:20:48Z) - IRIS: Intersection-aware Ray-based Implicit Editable Scenes [1.9659643719859716]
IRIS(Intersection-aware Ray-based Implicit Editable Scenes)は、効率的なインタラクティブなシーン編集方法である。
標準的な光線マーキングの限界を克服するために、光線とシーンプリミティブ間の相互作用点を正確に識別する分析的サンプリング戦略を用いる。
ソートされた交差点から潜在属性を補間することにより、コストのかかる3D検索をバイパスし、一貫性を確保し、高忠実さ、リアルタイムレンダリング、フレキシブルな形状編集を可能にする。
論文 参考訳（メタデータ） (2026-03-16T14:44:32Z) - Sim2Radar: Toward Bridging the Radar Sim-to-Real Gap with VLM-Guided Scene Reconstruction [2.3510064024442374]
Sim2Radarは、単一ビューのRGBイメージから直接レーダーデータを合成するエンドツーエンドのフレームワークである。
Sim2Radarは、単眼深度推定、セグメンテーション、視覚言語推論を組み合わせることで、素材を意識した3Dシーンを再構築する。
Sim2Radarは、現実世界の屋内シーンで評価され、トランスファーラーニングを通じて下流の3Dレーダー知覚を改善する。
論文 参考訳（メタデータ） (2026-02-10T10:56:47Z) - LaRI: Layered Ray Intersections for Single-view 3D Geometric Reasoning [75.9814389360821]
層状光線交差(LaRI)は、1つの画像から未知の幾何学的推論を行う新しい方法である。
コンパクトで階層的な表現から恩恵を受けることで、LaRIは完全で効率的でビュー整合な幾何学的推論を可能にする。
3Dオブジェクトやシーンを含む、合成および実世界のデータのための完全なトレーニングデータ生成パイプラインを構築します。
論文 参考訳（メタデータ） (2025-04-25T15:31:29Z) - Targetless 6DoF Calibration of LiDAR and 2D Scanning Radar Based on Cylindrical Occupancy [8.895838973148452]
LiRaCoは、LiDARとレーダーセンサーの外部6DoFキャリブレーションのためのターゲットレスキャリブレーションアプローチである。
LiRaCoは、LiDAR点雲とRadarスキャンの間の空間占有一貫性を共通円筒表現で活用する。
外部キャリブレーションパラメータを含むコスト関数は、3次元格子とLiDAR点の空間的重なりに基づいて定式化する。
論文 参考訳（メタデータ） (2025-03-21T10:09:04Z) - LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。
この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
論文 参考訳（メタデータ） (2024-10-07T15:07:56Z) - Outdoor Scene Extrapolation with Hierarchical Generative Cellular Automata [70.9375320609781]
我々は,自律走行車(AV)で多量に捕獲された大規模LiDARスキャンから微細な3次元形状を生成することを目指している。
本稿では,空間的にスケーラブルな3次元生成モデルである階層型生成セルオートマトン (hGCA) を提案する。
論文 参考訳（メタデータ） (2024-06-12T14:56:56Z) - Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object
Detection [78.59426158981108]
この課題に対処し、動的オブジェクトの3D検出を改善するために、双方向LiDAR-Radar融合フレームワーク、Bi-LRFusionを導入する。
我々はnuScenesとORRデータセットに関する広範な実験を行い、我々のBi-LRFusionが動的オブジェクトを検出するための最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-06-02T10:57:41Z) - Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling [65.17711407805756]
Sionnaは、リンクレベルのシミュレーションをベースとしたGPUアクセラレーションのオープンソースライブラリである。
リリース v0.14 以降、電波伝搬のシミュレーションのために微分可能なレイトレーサ (RT) を統合している。
論文 参考訳（メタデータ） (2023-03-20T13:40:11Z) - Fast Synthetic LiDAR Rendering via Spherical UV Unwrapping of
Equirectangular Z-Buffer Images [3.098294101216779]
本稿では,1フレーム当たり1秒の高速レンダリングでLiDAR点雲をシミュレートする新しい手法を提案する。
提案手法は、等角形状Zバッファ画像の球面紫外解離に依存する。
複雑な都市景観の誤差は, 2～120mの範囲で4.28cm, エルロディネHDL64-E2パラメータで報告されている。
論文 参考訳（メタデータ） (2020-06-08T04:07:57Z)
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。