論文の概要: MR-LiDAR: A Multi-Resolution Roadside LiDAR Benchmark for Perception Diagnostics and Deployment Guidance

• arxiv url: http://arxiv.org/abs/2605.24777v1
• Date: Sat, 23 May 2026 23:38:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.43009
• Title: MR-LiDAR: A Multi-Resolution Roadside LiDAR Benchmark for Perception Diagnostics and Deployment Guidance
• Title（参考訳）: MR-LiDAR:知覚診断と展開誘導のためのマルチリゾリューションロードサイドLiDARベンチマーク
• Authors: Shunlai Cui, Peng Cao, Yuan Zhu, Yongjiang He, Jiacheng Yin, Xiao Huo, Gang Cao, Xiaobo Liu,
• Abstract要約: MR-LiDAR(MR-LiDAR)は、路面認識診断のためのマルチレゾリューションLiDARベンチマークである。 ビーム数とビーム分布は正確な性能診断の鍵となる変数である。 ビーム分布が最適化された80ビームのLiDARは、ビーム分布が均一な128ビームのLiDARと一致したり、性能が良くなる。
• 参考スコア（独自算出の注目度）: 12.100164504767081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR model selection is a critical issue in roadside sensing systems, as it directly determines both perception capability and deployment cost. However, the lack of empirical benchmarks for comparing perception performance across different LiDAR configurations has greatly constrained scientific sensor selection and deployment planning. To address this gap, we present MR-LiDAR, a controlled multi-resolution LiDAR benchmark for roadside perception diagnostics. Using 16-, 32-, 80-, and 128-beam LiDARs in identical roadside scenarios, we collect point clouds and ground-truth annotations for diverse traffic participants, including vehicles and vulnerable road users (VRUs), across varying distances. This controlled design isolates intrinsic LiDAR specifications, particularly beam count and beam distribution, as the key variables for precise performance diagnostics. Based on MR-LiDAR, we conduct systematic empirical analyses to examine how beam count, beam distribution, target distance, object category, and vehicle occlusion affect LiDAR perception performance. The results reveal that all of these factors have substantial impacts. In particular, contrary to the common assumption that higher beam counts always yield better perception, we show that an 80-beam LiDAR with optimized beam distribution can match or even outperform a 128-beam LiDAR with uniform beam distribution. In addition, we provide a practical reference guide for LiDAR selection, including target point-count statistics and detection performance comparisons based on two widely used detection algorithms. This work offers a diagnostic benchmark and practical guidance for determining cost-effective LiDAR configurations in roadside perception applications.
• Abstract（参考訳）: LiDARモデル選択は、認識能力とデプロイメントコストの両方を直接決定するため、道路側センシングシステムにおいて重要な問題である。 しかし、異なるLiDAR構成間での知覚性能を比較するための実証的なベンチマークが欠如していることは、科学的センサーの選択と配置計画に大きな制約を与えている。 このギャップに対処するため,道路側認識診断のためのマルチレゾリューションLiDARベンチマークMR-LiDARを提案する。 16-,32-,80-,128-beamのLiDARを同一の道路シナリオで使用し、様々な距離にわたって、車両や脆弱な道路利用者(VRU)を含む多様な交通参加者に対して、点雲と地道アノテーションを収集する。 この制御された設計は、固有のLiDAR仕様、特にビーム数とビーム分布を、正確な性能診断の鍵となる変数として分離する。 MR-LiDARに基づいて,ビーム数,ビーム分布,目標距離,対象カテゴリー,車両の閉塞がLiDAR知覚性能に与える影響について,系統的な実験的検討を行った。 その結果、これらすべての要因が重大な影響を持つことが明らかとなった。 特に、高ビーム数は常により良い知覚をもたらすという一般的な仮定とは対照的に、最適化されたビーム分布を持つ80ビームのLiDARは、均一なビーム分布を持つ128ビームのLiDARと一致するか、さらに優れることを示す。 さらに,2つの広く使用されている検出アルゴリズムに基づく目標点数統計と検出性能の比較を含む,LiDAR選択のための実用的なリファレンスガイドを提供する。 この研究は、道路側知覚アプリケーションにおけるコスト効率の高いLiDAR構成を決定するための診断ベンチマークと実用的なガイダンスを提供する。

関連論文リスト

• Which LiDAR scanning pattern is better for roadside perception: Repetitive or Non-repetitive? [14.082785631325928]
  InfraLiDARs' Benchmark"は,CARLAシミュレーション環境において,インフラストラクチャベースのLiDARを並列に動作させることにより,念入りに収集された新しいデータセットである。 その結果, 反復走査LiDARと128行繰り返しLiDARは, 様々なシナリオにおいて同等な検出性能を示した。
  論文  参考訳（メタデータ） (2025-10-28T20:50:56Z)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• Is Your LiDAR Placement Optimized for 3D Scene Understanding? [8.233185931617122]
  一般的な運転データセットは、主に単一LiDARシステムを使用し、悪条件を伴わないデータを収集する。 そこで我々は,LiDAR配置最適化,データ生成,下流評価を含む全サイクルパイプラインであるPlace3Dを提案する。 各種気象・センサ故障条件下でのLiDARセマンティックセマンティックセグメンテーションと3次元物体検出タスクにおいて, 例外的な結果を示す。
  論文  参考訳（メタデータ） (2024-03-25T17:59:58Z)
• Optimizing the Placement of Roadside LiDARs for Autonomous Driving [61.584278382844595]
  道路沿いのLiDARの配置を最適化する方法は不可欠だが、見落とされがちな問題である。 本稿では,シーン内の最適化位置を選択することで,道路側LiDARの配置を最適化する手法を提案する。 Roadside-Optという名前のデータセットは、ロードサイドLiDAR配置問題の研究を容易にするために、CARLAシミュレータを使って作成されている。
  論文  参考訳（メタデータ） (2023-10-11T07:24:27Z)
• Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
  本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。 本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。 我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
  論文  参考訳（メタデータ） (2023-01-03T06:47:31Z)
• End-To-End Optimization of LiDAR Beam Configuration for 3D Object Detection and Localization [87.56144220508587]
  与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。 ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。 本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
  論文  参考訳（メタデータ） (2022-01-11T09:46:31Z)
• Improving Perception via Sensor Placement: Designing Multi-LiDAR Systems for Autonomous Vehicles [16.45799795374353]
  確率的占有グリッド(POG)に基づく計算が容易な情報理論的サーロゲートコストメトリックを提案し、最大センシングのためのLiDAR配置を最適化する。 以上の結果から,センサ配置は3Dポイントクラウドによる物体検出において重要な要素であり,最先端の認識アルゴリズムでは10%の精度で性能が変動する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-05-02T01:52:18Z)

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。