論文の概要: RS2AD-LiDAR: End-to-End Autonomous Driving LiDAR Data Generation from Roadside Sensor Observations
- arxiv url: http://arxiv.org/abs/2605.23406v1
- Date: Fri, 22 May 2026 09:16:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 17:29:20.280185
- Title: RS2AD-LiDAR: End-to-End Autonomous Driving LiDAR Data Generation from Roadside Sensor Observations
- Title（参考訳）: RS2AD-LiDAR:道路センサ観測によるエンド・ツー・エンド自動運転LiDARデータ生成
- Abstract要約: 道路沿いのセンサ観測から車載LiDARデータを再構成・生成するフレームワークであるRS2AD-LiDARを提案する。
我々の知る限りでは、道路沿いのセンサー入力から車載LiDARデータを再構築する最初のアプローチである。
- 参考スコア（独自算出の注目度）: 18.71474037531141
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: End-to-end autonomous driving solutions, which directly process multimodal sensory data and output fine-grained control commands, have gradually become a mainstream direction with the development of autonomous driving technology. However, current methods in this category rely on single-vehicle data collection for model training and optimization, which suffers from high acquisition and annotation costs, scarcity of valuable scenarios, and data silos. To address these challenges, we propose RS2AD-LiDAR, a novel framework for reconstructing and generating vehicle-mounted LiDAR data from roadside sensor observations. Since no public dataset currently provides highly overlapping perception coverage between roadside and vehicle-mounted LiDAR sensors, which is essential for studying roadside-to-vehicle data generation, we constructed a dedicated dataset named R2V-LiDAR which is used solely for evaluation in this work. Specifically, our method transforms roadside LiDAR point clouds into the vehicle-mounted LiDAR coordinate system, and synthesizes high-fidelity vehicle-mounted data via virtual LiDAR modeling and point cloud resampling techniques. To the best of our knowledge, this is the first approach to reconstruct vehicle-mounted LiDAR data from roadside sensor inputs. Extensive experimental comparisons demonstrate the semantic similarity between the generated data and real data. Furthermore, object detection experiments show that incorporating the generated data into real data for model training improves both Bird's Eye View (BEV) and 3D detection accuracy, thereby validating the effectiveness of the proposed method.
- Abstract（参考訳）: マルチモーダルセンサデータを直接処理し、きめ細かい制御コマンドを出力するエンドツーエンドの自動運転ソリューションは、自動運転技術の発展とともに、徐々に主流の方向に向かっている。
しかし、このカテゴリの現在の手法は、高い取得とアノテーションコスト、価値あるシナリオの不足、データサイロに苦しむ、モデルトレーニングと最適化のための単一車両のデータ収集に依存している。
これらの課題に対処するため,道路沿いのセンサ観測から車載LiDARデータを再構成・生成するための新しいフレームワークであるRS2AD-LiDARを提案する。
現在,道路側と車両搭載のLiDARセンサの間に高い重なり合う認識範囲が存在しないため,道路側から車間データ生成に必須であるため,本研究でのみ使用されるR2V-LiDARという専用データセットを構築した。
具体的には、道路沿いのLiDAR点雲を車載LiDAR座標系に変換し、仮想LiDARモデリングと点雲再サンプリング技術を用いて高忠実度車両搭載データを合成する。
我々の知る限りでは、道路沿いのセンサー入力から車載LiDARデータを再構築する最初のアプローチである。
大規模な実験比較では、生成されたデータと実際のデータとのセマンティックな類似性を示す。
さらに、オブジェクト検出実験により、生成したデータを実データに組み込んだモデルトレーニングにより、バードアイビュー(BEV)と3次元検出精度が向上し、提案手法の有効性が検証された。
関連論文リスト
- Generating Roadside LiDAR Datasets from Vehicle-Side Datasets via Novel View Synthesis [14.327452890872188]
本稿では,新しいビュー合成を通じて車側データセットからラベル付き道路側LiDARデータセットを生成するデータ合成フレームワークであるVaby-to-Roadside LiDAR Synthesis (VRS)を紹介する。
車両と道路の領域ギャップを軽減するために、VRSは車両側の観察で欠落した幾何学を補うために車両点雲の完成度を利用する。
提案フレームワークは,スケーラブルなロードサイドデータ生成のための柔軟なマルチビューレンダリングを実現する。
論文 参考訳（メタデータ） (2026-05-07T09:10:18Z) - CLLAP: Contrastive Learning-based LiDAR-Augmented Pretraining for Enhanced Radar-Camera Fusion [14.71019295145282]
CLLAPは、コントラスト学習ベースのLiDAR拡張事前トレーニングフレームワークである。
3次元物体検出のためのレーダカメラ融合法の性能を向上させる。
NuScenesとLyft Level 5データセットを使用した実験結果は、大幅なパフォーマンス向上を示している。
論文 参考訳（メタデータ） (2026-04-27T05:07:45Z) - LiDAR-EVS: Enhance Extrapolated View Synthesis for 3D Gaussian Splatting with Pseudo-LiDAR Supervision [19.629982915073697]
3D Gaussian Splatting (3DGS)は、自律運転シミュレーションにおけるリアルタイムLiDARとカメラ合成の強力な技術として登場した。
我々は、自律運転における堅牢な外見LiDARシミュレーションのための軽量フレームワークLiDAR-EVSを提案する。
論文 参考訳（メタデータ） (2026-03-16T02:52:55Z) - RS2AD: End-to-End Autonomous Driving Data Generation from Roadside Sensor Observations [4.219537240663029]
道路沿いのセンサ観測から車載LiDARデータを再構成・合成するための新しいフレームワークであるRS2ADを紹介する。
我々の知る限りでは、道路沿いのセンサー入力から車載LiDARデータを再構築する最初のアプローチである。
論文 参考訳（メタデータ） (2025-03-10T09:08:05Z) - 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) - LiDAR View Synthesis for Robust Vehicle Navigation Without Expert Labels [50.40632021583213]
我々は、危険な位置で物理的に運転することなく、新しい視点からLiDAR点雲を合成することを提案する。
我々は、LiDARスキャンを入力とし、将来の軌跡を出力として予測するディープラーニングモデルを訓練する。
次に、この予測軌道にウェイポイントコントローラを適用して、エゴ車両のスロットルおよびステアリングラベルを決定する。
論文 参考訳（メタデータ） (2023-08-02T20:46:43Z) - 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) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - High-Precision Digital Traffic Recording with Multi-LiDAR Infrastructure
Sensor Setups [0.0]
融解したLiDAR点雲と単一LiDAR点雲との差について検討した。
抽出した軌道の評価は, 融合インフラストラクチャーアプローチが追跡結果を著しく増加させ, 数cm以内の精度に達することを示す。
論文 参考訳（メタデータ） (2020-06-22T10:57:52Z) - LIBRE: The Multiple 3D LiDAR Dataset [54.25307983677663]
We present LIBRE: LiDAR Benchmarking and Reference, a first-of-in-kind dataset with 10 different LiDAR sensor。
LIBREは、現在利用可能なLiDARを公平に比較するための手段を提供するために、研究コミュニティに貢献する。
また、既存の自動運転車やロボティクス関連のソフトウェアの改善も促進する。
論文 参考訳（メタデータ） (2020-03-13T06:17:39Z)
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。