論文の概要: A Vendor-Agnostic LiDAR Data Conversion System with Multi-Signal Detection and Multi-Format Output

• arxiv url: http://arxiv.org/abs/2606.22881v1
• Date: Mon, 22 Jun 2026 05:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 03:52:29.299708
• Title: A Vendor-Agnostic LiDAR Data Conversion System with Multi-Signal Detection and Multi-Format Output
• Title（参考訳）: 多信号検出と複数形式出力を備えたベンダー非依存型LiDARデータ変換システム
• Authors: Param Patel, Jay Dave, Pratyush Chakraborty,
• Abstract要約: LiDAR(Light Detection and Ranging)センサーは、周囲の環境を密度の高い3Dポイントの雲として捉えます。 これらのセンサーからのPCAP(Packet Capture)ファイルは、ほとんどの3D知覚パイプラインの出発点である。 Ouster、Velodyne、Hesai、Livoxはそれぞれ独自のSDK(Software Development Kit)、独自の環境設定、独自のコンバージョンワークフローが必要です。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR (Light Detection and Ranging) sensors capture the surrounding environment as dense 3D point clouds by measuring the time-of-flight of emitted laser pulses, making them foundational across autonomous vehicles, robotics, and large-scale mapping. PCAP (Packet Capture) files from these sensors are the starting point of most 3D perception pipelines, yet internal packet structures, UDP (User Datagram Protocol) port conventions and encoding schemes differ enough across manufacturers that no single tool reads them all. Ouster, Velodyne, Hesai, and Livox each require their own SDK (Software Development Kit), their own environment setup, and their own conversion workflow. Supporting all four means maintaining four disconnected pipelines with no shared infrastructure. The pipeline described here takes a raw PCAP as input and handles vendor identification automatically, scoring six independent file characteristics through a weighted multi-signal approach to determine the source sensor. C++ SDKs handle Ouster and Velodyne, while Hesai and Livox rely on Python-based dpkt parsing where no open source SDK exists. From there, a single command writes output to any of five industry-standard formats. We tested on real outdoor captures. Ouster peaks at 2.08M points per second, Velodyne at 1.47M, both running through native C++ packet decoding. Hesai and Livox land at 110K and 150K respectively, where Python-layer parsing introduces overhead that compounds under sustained load. The 8-10x gap held consistently across runs. Tested on a consumer-grade i3 with 8GB RAM, no vendor configuration required
• Abstract（参考訳）: LiDAR(Light Detection and Ranging)センサーは、放射されるレーザーパルスの飛行時間を測定し、周囲の環境を密集した3Dポイントの雲として捉え、自動運転車、ロボット工学、大規模マッピングに基礎を置いている。 これらのセンサーからのPCAP (Packet Capture) ファイルは、ほとんどの3D認識パイプラインの出発点であるが、内部のパケット構造、UDP (User Datagram Protocol) ポート規約、符号化スキームは、単一のツールが全てを読み取ることができないような製造者によって十分に異なる。 Ouster、Velodyne、Hesai、Livoxはそれぞれ独自のSDK(Software Development Kit)、独自の環境設定、独自のコンバージョンワークフローが必要です。 4つすべてをサポートするということは、4つの非接続パイプラインを共有インフラストラクチャなしで維持することを意味します。 ここで説明したパイプラインは、生のPCAPを入力として取り、ベンダーの識別を自動的に処理し、ソースセンサーを決定するために重み付けされたマルチシグナルアプローチによって、6つの独立したファイル特性をスコア付けする。 C++ SDKはOusterとVelodyneを扱い、HesaiとLivoxはオープンソースSDKが存在しないPythonベースのdpktパースに依存している。 そこから、ひとつのコマンドが5つの業界標準フォーマットのどれかに出力を書き込む。 私たちは本物の屋外捕獲をテストした。 Ousterは毎秒2.08万ポイント、Velodyneは1.47Mで、どちらもネイティブのC++パケットデコードを実行する。 HesaiとLivoxはそれぞれ110Kと150Kに到達し、Python層解析では、持続的な負荷下での化合物のオーバーヘッドが導入されている。 8-10倍の差は連続して走った。 8GBのRAMを搭載した消費者向けi3でテスト、ベンダの構成は不要

関連論文リスト

• INSIGHT: Indoor Scene Intelligence from Geometric-Semantic Hierarchy Transfer for Public~Safety [41.99844472131922]
  本稿では、登録RGB-Dデータを用いて、2次元画像理解を3次元距離空間に投影するパイプラインであるINSIGHTを提案する。 7つの共有クラスに対してポイントごとのラベル付け精度を報告し、コードでカプセル化されたデプロイ可能な推定値とともに、公開3Dベンチマークから欠落した15の安全クリティカルクラスに対する検出感度を報告した。
  論文  参考訳（メタデータ） (2026-04-25T01:17:45Z)
• On-Device Vision Training, Deployment, and Inference on a Thumb-Sized Microcontroller [0.0]
  本稿では,エンド・ツー・エンドのビジョン・デバイス・機械学習・パイプラインを提案する。 Seeed Studio ESP32-S3 XI Kit MLAO (8MB PSRAM)で動作し、ファームウェアはトレーニング1時間あたり約9分で3種類の64x64画像分類を実現し、リアルタイム推論は6.3 FPSである。
  論文  参考訳（メタデータ） (2026-04-24T20:59:16Z)
• CapBench: A Multi-PDK Dataset for Machine-Learning-Based Post-Layout Capacitance Extraction [3.790585344640331]
  このデータセットは、シングルコアCPU、システムオンチップ、メディアアクセラレータなど、オープンソースの設計から派生したものだ。 高忠実度キャパシタンスラベルは、最先端のランダムウォーク解決器であるRWCapを用いて生成され、業界標準のラファエルに対して検証される。 我々は、データセットの使用を図解し、畳み込みニューラルネットワーク(CNN)、ポイントクラウドトランスフォーマー、グラフニューラルネットワーク(GNN)など、ベースラインとして機能する10の機械学習アーキテクチャを評価した。
  論文  参考訳（メタデータ） (2026-04-13T09:01:12Z)
• DrivePI: Spatial-aware 4D MLLM for Unified Autonomous Driving Understanding, Perception, Prediction and Planning [94.62097655403683]
  本稿では,ビジョン・ランゲージ・アクション統合フレームワークとして機能する空間認識型4次元MLLMであるDrivePIを提案する。 提案手法は,空間的理解,3次元知覚,予測(占有フロー),計画(行動出力)を並列に行う。 MLLMのバックボーンとして0.5BのQwen2.5モデルしか持たず、単一の統一モデルとしてのDrivePIは既存のVLAモデルと特殊VAモデルの両方を上回るか、あるいは超える。
  論文  参考訳（メタデータ） (2025-12-14T18:45:54Z)
• Tiny QA Benchmark++: Ultra-Lightweight, Synthetic Multilingual Dataset Generation & Smoke-Tests for Continuous LLM Evaluation [0.0]
  Tiny QA Benchmark++(TQB++)は、大規模言語モデル(LLM)パイプラインに、最小限のコストで数秒で実行されるユニットテストスタイルのセーフティネットデータセットを提供するように設計されている。 TQB++は52石のイングランドのゴールドセットと、プロバイダに依存しないLiteLLM上に構築された小さな合成データジェネレータのpypiパッケージを結合している。 各データセットには、OpenAI-Evals、LangChain、標準CIツール用のCroissantメタデータとプラグイン・アンド・プレイファイルが同梱されている。
  論文  参考訳（メタデータ） (2025-05-17T15:40:03Z)
• PyPulse: A Python Library for Biosignal Imputation [58.35269251730328]
  PyPulseは,臨床およびウェアラブルの両方のセンサ設定において生体信号の計算を行うPythonパッケージである。 PyPulseのフレームワークは、非機械学習バイオリサーバーを含む幅広いユーザーベースに対して、使い勝手の良いモジュラーで拡張可能なフレームワークを提供する。 PyPulseはMITライセンスでGithubとPyPIでリリースしました。
  論文  参考訳（メタデータ） (2024-12-09T11:00:55Z)
• UniTR: A Unified and Efficient Multi-Modal Transformer for Bird's-Eye-View Representation [113.35352122662752]
  屋外3次元知覚のためのマルチモーダルバックボーンUniTRを提案する。 UniTRは、統一されたモデリングと共有パラメータで様々なモダリティを処理する。 UniTRは基本的にタスクに依存しないバックボーンであり、異なる3D知覚タスクを自然にサポートする。
  論文  参考訳（メタデータ） (2023-08-15T12:13:44Z)
• DADApy: Distance-based Analysis of DAta-manifolds in Python [51.37841707191944]
  DADApyは、高次元データの分析と特徴付けのためのピソンソフトウェアパッケージである。 固有次元と確率密度を推定し、密度に基づくクラスタリングを行い、異なる距離メトリクスを比較する方法を提供する。
  論文  参考訳（メタデータ） (2022-05-04T08:41:59Z)
• End-to-End Pseudo-LiDAR for Image-Based 3D Object Detection [62.34374949726333]
  擬似LiDAR(PL)は、LiDARセンサに基づく手法と安価なステレオカメラに基づく手法の精度ギャップを劇的に減らした。 PLは最先端のディープニューラルネットワークと2D深度マップ出力を3Dポイントクラウド入力に変換することで3Dオブジェクト検出のための3D深度推定を組み合わせている。 我々は、PLパイプライン全体をエンドツーエンドにトレーニングできるように、差別化可能なRepresentation (CoR)モジュールに基づく新しいフレームワークを導入します。
  論文  参考訳（メタデータ） (2020-04-07T02:18:38Z)
• Near-chip Dynamic Vision Filtering for Low-Bandwidth Pedestrian Detection [99.94079901071163]
  本稿では、ダイナミックビジョンセンサ(DVS)を用いた歩行者検出のための新しいエンドツーエンドシステムを提案する。 我々は、複数のセンサがローカル処理ユニットにデータを送信し、検出アルゴリズムを実行するアプリケーションをターゲットにしている。 我々の検出器は450ミリ秒毎に検出を行うことができ、総合的なテストF1スコアは83%である。
  論文  参考訳（メタデータ） (2020-04-03T17:36:26Z)

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。