論文の概要: Eyes All Around: Design and Analysis of 360-Degree LiDAR Perception Using Equivariant Feature Learning in Unstructured Traffic
- arxiv url: http://arxiv.org/abs/2606.07626v1
- Date: Sat, 30 May 2026 15:30:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:05.091127
- Title: Eyes All Around: Design and Analysis of 360-Degree LiDAR Perception Using Equivariant Feature Learning in Unstructured Traffic
- Title（参考訳）: 周囲の視線:非構造交通における等変特徴学習を用いた360度LiDAR知覚の設計と解析
- Abstract要約: 密集した非構造都市交通の認識は、自動運転の大きな課題である。
最近のLiDARベースの3Dオブジェクト検出器は、構造化運転シナリオにおいて強い性能を示している。
本稿では,自動運転のための360度LiDAR知覚パイプラインについて検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Perception in dense, unstructured urban traffic remains a major challenge for autonomous driving because of the wide variety of road users, frequent occlusions, irregular motion patterns, and the lack of standardized road layouts. Although recent LiDAR based 3D object detectors have shown strong performance in structured driving scenarios, most are developed and evaluated for limited field of view settings, and their behavior under full surround 360-degree sensing is still not well understood. This paper studies a 360-degree LiDAR perception pipeline for autonomous driving, with particular attention to panoramic sensing, azimuthal sector wise spatial processing, and transformation equivariant feature extraction in complex urban scenes. The paper presents a practical 360-degree perception framework that combines sector wise panoramic processing with rotation equivariant sparse convolutions and evaluates its behavior on a custom Ouster OS0 LiDAR dataset collected across diverse Indian urban traffic conditions. The results show generally stable detection across several object classes, with the strongest performance for cars at 92.02/90.51, buses at 80.53/76.34, and trucks at 78.59/74.16, while lower scores for pedestrians at 67.45/61.02, cyclists at 73.21/69.54, and motorcyclists at 71.20/68.13 reflect the greater difficulty of detecting smaller and more variable road users in dense urban scenes.
- Abstract（参考訳）: 密集した非構造的な都市交通の認識は、様々な道路利用者、頻繁な閉塞、不規則な動きパターン、標準化された道路レイアウトの欠如など、自動運転の大きな課題である。
最近のLiDARベースの3Dオブジェクト検出器は、構造化運転シナリオにおいて強い性能を示しているが、多くは視野の限られた設定のために開発・評価されており、全周囲360度センシング下での挙動はまだよく理解されていない。
本稿では,パノラマセンシング,アジムタールセクターワイド空間処理,複雑な都市景観における変分特徴抽出などに着目し,360度LiDARによる自律走行認識パイプラインについて検討する。
本稿では,セクタワイドパノラマ処理と回転同変スパース畳み込みを組み合わせた実用的な360度知覚フレームワークを提案し,インドの都市交通状況にまたがるカスタムOuster OS0 LiDARデータセット上での挙動を評価する。
その結果,92.02/90.51の車,80.53/76.34の車,78.59/74.16のトラック,67.45/61.02の歩行者,73.21/69.54のサイクリスト,71.20/68.13のモーターサイクリストにおいて,都市部のより小型で可変な道路利用者の検出が困難であることが示唆された。
関連論文リスト
- SkyDrive: Learning to Drive in a New City from Aerial Traffic Monitoring [69.91458772455071]
emphSkyDriveは、ドローンベースのトラフィック監視を使用して、新しい環境における自律運転エージェントの効率的な監視を提供するフレームワークである。
以上の結果から,航空交通監視は,新都市における自律走行システムに適応するための,効率的かつスケーラブルなデータソースであることが示唆された。
論文 参考訳（メタデータ） (2026-08-25T20:47:09Z) - AD4AD: Benchmarking Visual Anomaly Detection Models for Safer Autonomous Driving [10.121649137872298]
自動運転の失敗は、乗客、歩行者、その他の道路利用者の身体的リスクに直接変換される。
視覚異常検出(VAD)は、トレーニング中に存在しない異常物体の識別を可能にする。
VADモデルは、特定の領域にドライバーの注意を誘導するピクセルレベルの異常マップを生成する。
論文 参考訳（メタデータ） (2026-04-16T17:54:53Z) - HetroD: A High-Fidelity Drone Dataset and Benchmark for Autonomous Driving in Heterogeneous Traffic [49.31491001465465]
HetroDは、異種環境で自律走行システムを開発するためのデータセットとベンチマークである。
HetroDは、VRU(vulner- able road users)が支配する現実の異種交通のナビゲーティングにおける重要な課題をターゲットにしている。
論文 参考訳（メタデータ） (2026-02-03T12:12:47Z) - AVOID: The Adverse Visual Conditions Dataset with Obstacles for Driving Scene Understanding [48.97660297411286]
シミュレーション環境におけるリアルタイム障害物検出のための新しいデータセットであるAVOIDを紹介する。
AVOIDは、様々な天候と時間条件下で捕獲された各経路に沿って、予期せぬ道路障害物からなる。
各画像は、対応するセマンティックマップと深度マップ、生およびセマンティックLiDARデータ、およびウェイポイントと結合される。
論文 参考訳（メタデータ） (2025-12-29T05:34:26Z) - DriverGaze360: OmniDirectional Driver Attention with Object-Level Guidance [16.43802401929688]
DriverGaze360は、ビュードライバーアテンションデータセットの大規模な360$circ$である。
DriverGaze360-Netは、補助的なセマンティックセグメンテーションヘッドを用いて、アテンションマップとアテンションオブジェクトを共同で学習する。
論文 参考訳（メタデータ） (2025-12-16T10:23:00Z) - DAVE: Diverse Atomic Visual Elements Dataset with High Representation of Vulnerable Road Users in Complex and Unpredictable Environments [60.69159598130235]
Vulnerable Road Users (VRU) の高表現による認識手法の評価を目的とした新しいデータセット DAVE を提案する。
DAVEは16種類のアクターカテゴリー(動物、人間、車など)と16種類のアクションタイプ(カットイン、ジグザグ運動、Uターンなど、複雑で稀なケース)を手動でアノテートしたデータセットである。
実験の結果,既存の手法はDAVEで評価すると性能の劣化に悩まされ,将来的なビデオ認識研究のメリットを浮き彫りにしていることがわかった。
論文 参考訳（メタデータ） (2024-12-28T06:13:44Z) - RoboSense: Large-scale Dataset and Benchmark for Egocentric Robot Perception and Navigation in Crowded and Unstructured Environments [62.5830455357187]
我々は3種類のセンサー(Camera, LiDAR, Fisheye)をベースとした自我中心型マルチセンサデータ収集プラットフォームを構築した。
大規模なマルチモーダルデータセットであるRoboSenseは、エゴセントリックなロボット知覚を促進するために構築されている。
論文 参考訳（メタデータ） (2024-08-28T03:17:40Z) - RSUD20K: A Dataset for Road Scene Understanding In Autonomous Driving [6.372000468173298]
RSUD20Kは、バングラデシュの道路の運転から見た20K以上の高解像度画像からなる、道路シーン理解のための新しいデータセットである。
我々の作業は以前の取り組みを大幅に改善し、詳細なアノテーションを提供し、オブジェクトの複雑さを増大させます。
論文 参考訳（メタデータ） (2024-01-14T16:10:42Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z) - Phase Space Reconstruction Network for Lane Intrusion Action Recognition [9.351931162958465]
本稿では,動作時系列分類のための新しいオブジェクトレベル位相空間再構成ネットワーク(PSRNet)を提案する。
私たちのpsrnetは最高精度98.0%に達し、既存のアクション認識アプローチを30%以上上回っています。
論文 参考訳（メタデータ） (2021-02-22T16:18:35Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - Probabilistic End-to-End Vehicle Navigation in Complex Dynamic
Environments with Multimodal Sensor Fusion [16.018962965273495]
全日と全天候のナビゲーションは、自動運転にとって重要な機能である。
本稿では,カメラ,ライダー,レーダからの情報を利用して,触覚能力を備えた確率的運転モデルを提案する。
その結果,提案モデルがベースラインを上回り,目に見えない環境での優れた一般化性能を実現することが示唆された。
論文 参考訳（メタデータ） (2020-05-05T03:48:10Z)
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。