論文の概要: RESOLVE: A Multi-Resolution and Multi-Modal Dataset for Roadside Cooperative Perception
- arxiv url: http://arxiv.org/abs/2606.31895v1
- Date: Tue, 30 Jun 2026 16:04:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.309993
- Title: RESOLVE: A Multi-Resolution and Multi-Modal Dataset for Roadside Cooperative Perception
- Title（参考訳）: RESOLVE:道路側協調知覚のためのマルチリゾリューションとマルチモーダルデータセット
- Abstract要約: 我々は,マルチ解像度ロードサイドLiDARと同期カメラ-LiDARセンサを備えた大規模ベンチマークデータセットRESOLVEを紹介する。
大規模なベンチマーク実験の結果、マルチモーダル核融合がLiDARの点間隔を補うことができるかが明らかになった。
- 参考スコア（独自算出の注目度）: 2.4779082385578337
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LiDAR has increasingly been integrated into traffic cameras to expand coverage and mitigate occlusion in roadside cooperative perception. However, how unimodal and camera-LiDAR fusion architectures behave under variations in LiDAR point sparsity induced by sensor configurations and scene-dependent sensing conditions remains underexplored. We introduce RESOLVE, a large-scale real-world benchmark dataset featuring multi-resolution roadside LiDAR and synchronized camera-LiDAR sensing for systematic evaluation of unimodal and fusion-based architectures in roadside 3D detection and tracking. RESOLVE contains over 100k images and 26k point cloud frames with 220k manually annotated bounding boxes, captured at a real-world urban intersection across diverse lighting and weather conditions and spanning 10 classes of traffic participants. In particular, RESOLVE enables controlled evaluation across three LiDAR resolution levels while keeping all other sensing and environmental factors fixed. This allows fair cross-architecture comparisons under point cloud distribution shifts resulting from resolution variations, sensing distance, and training-inference resolution mismatches. Results from extensive benchmark experiments reveal insights into how multimodal fusion can compensate for LiDAR point sparsity, offering clues for designing cost-efficient roadside multimodal perception. The dataset and benchmark codes are available at https://github.com/ASU-Suo-Lab/RESOLVE.
- Abstract（参考訳）: LiDARはますます交通カメラに統合され、道路沿いの協調的な知覚において、カバー範囲を広げ、排除を緩和している。
しかし、センサ構成やシーン依存の検知条件によって誘導されるLiDAR点間隔の変動の下で、ユニモーダルとカメラ-LiDAR融合アーキテクチャがどのように振る舞うかは、まだ未解明のままである。
我々は,多解像度道路側LiDARと同期カメラ-LiDARを併用した大規模実世界のベンチマークデータセットRESOLVEを導入し,道路側3次元検出・追跡における一方向・融合型アーキテクチャの体系的評価を行った。
RESOLVEには100k以上の画像と26kポイントのクラウドフレームがあり、手動で220kの注釈付きバウンディングボックスがあり、様々な照明と気象条件をまたいだ現実世界の都市交差点で撮影された。
特に、RESOLVEは3つのLiDAR解像度レベルにまたがる制御された評価を可能にし、他のすべてのセンシングおよび環境要因を固定する。
これにより、点雲分布シフトの下で、解像度のばらつき、センシング距離、トレーニングと推論の解決ミスマッチによって、公平なクロスアーキテクチャ比較が可能になる。
大規模なベンチマーク実験の結果、マルチモーダル融合がLiDARの点間隔を補うことができるかという洞察が示され、コスト効率の良いロードサイドのマルチモーダル知覚を設計するための手がかりを提供する。
データセットとベンチマークコードはhttps://github.com/ASU-Suo-Lab/RESOLVEで公開されている。
関連論文リスト
- Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。
この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
論文 参考訳（メタデータ） (2026-09-07T15:16:15Z) - DSERT-RoLL: Robust Multi-Modal Perception for Diverse Driving Conditions with Stereo Event-RGB-Thermal Cameras, 4D Radar, and Dual-LiDAR [66.23438033222963]
DSERT-RoLLは、ステレオイベント、RGB、サーマルカメラを4DレーダーとデュアルLiDARと組み合わせた駆動データセットである。
データセットは正確な2Dおよび3Dバウンディングボックスを提供し、トラックIDとエゴ車両のオドメトリーを提供する。
論文 参考訳（メタデータ） (2026-04-04T11:03:16Z) - 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) - Targetless 6DoF Calibration of LiDAR and 2D Scanning Radar Based on Cylindrical Occupancy [8.895838973148452]
LiRaCoは、LiDARとレーダーセンサーの外部6DoFキャリブレーションのためのターゲットレスキャリブレーションアプローチである。
LiRaCoは、LiDAR点雲とRadarスキャンの間の空間占有一貫性を共通円筒表現で活用する。
外部キャリブレーションパラメータを含むコスト関数は、3次元格子とLiDAR点の空間的重なりに基づいて定式化する。
論文 参考訳（メタデータ） (2025-03-21T10:09:04Z) - 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) - Multi-Modal Multi-Task (3MT) Road Segmentation [0.8287206589886879]
我々は、多くのSOTA作業で通常行われているように、代わりに生のセンサー入力を使用することに重点を置いており、高い事前処理コストを必要とするアーキテクチャを活用している。
本研究では,複数センサからのデータをマルチタスク学習アーキテクチャに組み込むことにより,道路セグメンテーションの費用対効果,高精度なソリューションを提案する。
論文 参考訳（メタデータ） (2023-08-23T08:15:15Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - 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) - 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。