論文の概要: C-ARC: Continuous-Adaptive Range Clustering for Non-Repetitive LiDAR Sensors

• arxiv url: http://arxiv.org/abs/2606.18948v1
• Date: Wed, 17 Jun 2026 11:30:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.131059
• Title: C-ARC: Continuous-Adaptive Range Clustering for Non-Repetitive LiDAR Sensors
• Title（参考訳）: C-ARC:非繰り返しLiDARセンサのための連続適応レンジクラスタリング
• Authors: Nick B. Schroeder, Jonathan Lichtenfeld, Oskar von Stryk,
• Abstract要約: リアルタイムLiDARクラスタリングは、ポイントクラウド内の構造を特定する。 非繰り返しLiDARセンサの使用は、低コストとフォームファクターのため、大幅に増加している。 C-ARCは、Livox Mid-360のコモディティハードウェア上で20Hzでリアルタイムクラスタ出力を生成する。
• 参考スコア（独自算出の注目度）: 1.8352113484137627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time LiDAR clustering identifies structures in point clouds, which is an essential prerequisite for many mobile robotics algorithms. Current methods are mostly developed for repetitive mechanical LiDAR sensors. Recently, the use of non-repetitive LiDAR sensors is strongly increasing due to their small cost and form factor. Such non-repetitive Risley prism-based sensors violate two key assumptions of repetitive mechanical sensors: structured scan lines and well-defined frame boundaries. Their Rhodonea-curve trajectories produce non-uniform point distributions, and the absence of a rotation cycle renders conventional scan line indexing inapplicable. To meet such new requirements, we developed C-ARC, a Continuous-Adaptive Range Clustering framework that maintains a persistent dual-graph over a sliding window, decoupling high-frequency point insertion from on-demand cluster retrieval. This is crucial for key functionalities like SLAM or tracking. An adaptive range grid resolution mechanism calibrates grid dimensions at initialization using an exponential control loop, balancing the sparsity-collision trade-off without prior knowledge of the scanning pattern. Implemented as an open-sourced single-threaded C++17 library, C-ARC produces real-time cluster output at 20 Hz on commodity hardware for the Livox Mid-360. Evaluation on the Livox Avia identifies unbounded cell occupancy as the primary limitation for sensors with strongly concentrated scan patterns. The adaptive resolution mechanism additionally improves clustering quality for existing grid-based methods on non-repetitive data.
• Abstract（参考訳）: リアルタイムLiDARクラスタリングは、多くのモバイルロボティクスアルゴリズムにとって必須の、ポイントクラウドの構造を特定する。 現在の方法は、主に繰り返し機械式LiDARセンサーのために開発されている。 近年,非繰り返しLiDARセンサの使用は,低コストと形状因子により著しく増加している。 このような繰り返しないリズリープリズムに基づくセンサーは、構造化された走査線と明確に定義されたフレーム境界という、反復的な機械的センサーの2つの重要な仮定に違反している。 それらのRhodonea曲線軌道は不均一な点分布を生じさせ、回転周期の欠如は従来の走査線インデクシングを適用不能にする。 このような新しい要件を満たすため、我々はC-ARCを開発した。C-ARCは連続適応レンジクラスタリングフレームワークで、スライディングウィンドウ上に永続的なデュアルグラフを保持し、オンデマンドクラスタ検索から高周波ポイント挿入を分離する。 これはSLAMやトラッキングといった重要な機能にとって極めて重要です。 アダプティブレンジグリッド分解機構は、指数制御ループを用いて初期化時の格子次元を校正し、走査パターンの事前の知識を必要とせず、スペーサ・コリエーショントレードオフのバランスをとる。 C-ARCはオープンソースのシングルスレッドC++17ライブラリとして実装され、Livox Mid-360のコモディティハードウェア上で20Hzでリアルタイムクラスタ出力を生成する。 Livox Aviaの評価では、強い集中型スキャンパターンを持つセンサーの一次的制限として、未結合細胞の占有が特定されている。 このアダプティブ・レゾリューション・メカニズムは、非反復データ上の既存のグリッドベースの手法のクラスタリング品質をさらに向上させる。

関連論文リスト

• DST-Calib: A Dual-Path, Self-Supervised, Target-Free LiDAR-Camera Extrinsic Calibration Network [57.22935789233992]
  本稿では,オンライン方式で動作するLiDARカメラ外装キャリブレーションネットワークについて紹介する。 提案手法は,一般化可能性の観点から既存手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-03T13:57:01Z)
• ALICE-LRI: A General Method for Lossless Range Image Generation for Spinning LiDAR Sensors without Calibration Metadata [0.0]
  3D LiDARセンサーは、リモートセンシングアプリケーションにおける自律ナビゲーション、環境モニタリング、高精度マッピングに不可欠である。 これらのセンサによって生成された巨大な点雲を効率的に処理するために、LiDARデータは角の位置と距離でポイントを整理する2Dレンジ画像に投影されることが多い。 製造者メタデータや校正ファイルを必要とせず、LiDAR点雲を回転させることにより、ロスレスレンジ画像生成を実現する、最初の一般センサ非依存方式であるALICE-LRIを提案する。
  論文  参考訳（メタデータ） (2025-10-23T16:22:58Z)
• Green Learning for STAR-RIS mmWave Systems with Implicit CSI [53.03358325565645]
  再構成可能なインテリジェントサーフェス (STAR-RIS) 支援ミリ波放送システム (mmWave) を同時に送信し, 反射するグリーンラーニング (GL) ベースのプリコーディングフレームワークを提案する。 本研究は,将来の6Gネットワークにおける環境持続可能性を重視し,複数のユーザが同一情報を共有し,スペクトル効率を向上し,冗長伝送と電力消費を低減させるシナリオに,トランスミッションフレームワークを採用する。
  論文  参考訳（メタデータ） (2025-09-08T15:56:06Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• CalibRefine: Deep Learning-Based Online Automatic Targetless LiDAR-Camera Calibration with Iterative and Attention-Driven Post-Refinement [7.736775961390864]
  CalibRefineは完全に自動化され、ターゲットレス、オンラインキャリブレーションフレームワークである。 生のLiDAR点雲とカメラ画像を直接処理する。 以上の結果から,頑健なオブジェクトレベルの特徴マッチングと反復的改善と自己監督的注意に基づく改善が組み合わさって,信頼性の高いセンサアライメントを実現することが示唆された。
  論文  参考訳（メタデータ） (2025-02-24T20:53:42Z)
• 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)
• Cross-Temporal Spectrogram Autoencoder (CTSAE): Unsupervised Dimensionality Reduction for Clustering Gravitational Wave Glitches [12.653249139353608]
  クロステンポラル・スペクトログラム・オートエンコーダ (CTSAE) は、重力波グリッチの次元減少とクラスタリングの先駆的な方法である。 メインチャネルのGravitySpy O3データセットをトレーニングし,評価し,クラスタリングタスクにおける優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-04-23T22:54:51Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• Learning the Linear Quadratic Regulator from Nonlinear Observations [135.66883119468707]
  我々は、LQR with Rich Observations(RichLQR)と呼ばれる連続制御のための新しい問題設定を導入する。 本設定では, 線形力学と二次的コストを有する低次元連続潜伏状態によって環境を要約する。 本結果は,システムモデルと一般関数近似における未知の非線形性を持つ連続制御のための,最初の証明可能なサンプル複雑性保証である。
  論文  参考訳（メタデータ） (2020-10-08T07:02:47Z)

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。