論文の概要: FRED: A Multi-Modal Autonomous Driving Dataset for Flooded Road Environments

• arxiv url: http://arxiv.org/abs/2605.22018v1
• Date: Thu, 21 May 2026 05:37:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.107946
• Title: FRED: A Multi-Modal Autonomous Driving Dataset for Flooded Road Environments
• Title（参考訳）: FRED: 浸水した道路環境のためのマルチモーダル自動運転データセット
• Authors: Connor Malone, Sebastien Demmel, Sebastien Glaser,
• Abstract要約: このデータセットには、2.3MPのFLIR Blackfly USB3カメラ、Ouster OS1-64 LiDARの64-beam 360$circ point cloud、Geoflex RTKによって修正されたiXblue ATLANS-C IMUのデータが含まれている。 既存のデータツールと簡単に統合できるKITTIスタイルのフォーマットと、車両のデータキャプチャを直接再生するRTMapsフォーマットである。
• 参考スコア（独自算出の注目度）: 2.4578723416255746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Flooded Road Environments Dataset (FRED) is, to our knowledge, the first multi-modal autonomous driving dataset specifically targeting the collection of data from scenarios involving water hazards on the road. The dataset contains images from a 2.3 MP FLIR Blackfly USB3 camera, 64-beam 360$^\circ$ point clouds from an Ouster OS1-64 LiDAR, and data from an iXblue ATLANS-C IMU corrected by a Geoflex RTK GNSS, from five separate locations captured both during and after flooding events. The data has been released in two formats: a KITTI-style format for easy integration with existing data tools, and the RTMaps format for direct replay of the vehicle's data capture. We provide semantic labels to enable the training and evaluation of both single-sensor and sensor-fusion methods for water hazard detection. Position and velocity, as well as data captured under dry conditions, are provided to enable the development of location-based detection methods that may incorporate maps, and to evaluate other tasks such as localisation and SLAM.
• Abstract（参考訳）: FRED(Flooded Road Environments Dataset)は、私たちの知る限り、道路上の水害を伴うシナリオからのデータ収集を対象とする、最初のマルチモーダル自動運転データセットです。 このデータセットには、2.3MPのFLIR Blackfly USB3カメラ、Ouster OS1-64 LiDARの64-beam 360$^\circ$ポイントクラウド、Geoflex RTK GNSSによって補正されたiXblue ATLANS-C IMUのデータが含まれている。 既存のデータツールと簡単に統合できるKITTIスタイルのフォーマットと、車両のデータキャプチャを直接再生するRTMapsフォーマットである。 本研究では,水害検出のための単一センサおよびセンサ融合法の訓練と評価を可能にするセマンティックラベルを提供する。 位置と速度、および乾燥条件下で取得したデータを提供し、地図を組み込む位置に基づく検出方法の開発を可能にし、また、ローカライゼーションやSLAMなどの他のタスクを評価する。

関連論文リスト

• DRIFT: Dual-Representation Inter-Fusion Transformer for Automated Driving Perception with 4D Radar Point Clouds [4.71547360356314]
  DRIFTは、ローカルコンテキストとグローバルコンテキストの両方をキャプチャして融合するモデルである。 広く使われているView-of-Delft(VoD)データセットとプロプライエタリな内部データセットで評価されている。
  論文  参考訳（メタデータ） (2026-03-10T14:03:35Z)
• Mixed Signals: A Diverse Point Cloud Dataset for Heterogeneous LiDAR V2X Collaboration [57.3519952529079]
  車両間協調認識(V2X)は、単車知覚システムの限界に対処するための有望な解決策として登場した。 これらのギャップに対処するために、45.1kの点雲と240.6kのバウンディングボックスを備えた総合的なV2XデータセットであるMixed Signalsを紹介した。 私たちのデータセットは10クラスのポイントクラウドとバウンディングボックスアノテーションを提供し、認識トレーニングのための信頼性の高いデータを確保します。
  論文  参考訳（メタデータ） (2025-02-19T23:53:00Z)
• SemanticSpray++: A Multimodal Dataset for Autonomous Driving in Wet Surface Conditions [10.306226508237348]
  SemanticSpray++データセットは、湿った表面条件下でのハイウェイのようなシナリオのカメラ、LiDAR、レーダーデータのためのラベルを提供する。 3つのセンサーのモダリティをラベル付けすることで、データセットは、異なる知覚方法のパフォーマンスを分析するための包括的なテストベッドを提供する。
  論文  参考訳（メタデータ） (2024-06-14T11:46:48Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• SUPS: A Simulated Underground Parking Scenario Dataset for Autonomous Driving [41.221988979184665]
  SUPSは地下自動駐車のシミュレーションデータセットである。 複数のセンサーと連続したイメージに合わせた複数のセマンティックラベルを備えた複数のタスクをサポートする。 また、我々のデータセット上で、最先端のSLAMアルゴリズムと知覚モデルを評価する。
  論文  参考訳（メタデータ） (2023-02-25T02:59:12Z)
• 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)
• 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)

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。