論文の概要: Multi-Observer Vehicle Localization Case Study with Roadside Radar and Connected Vehicle Sensing
- arxiv url: http://arxiv.org/abs/2608.16966v1
- Date: Mon, 17 Aug 2026 07:37:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.080205
- Title: Multi-Observer Vehicle Localization Case Study with Roadside Radar and Connected Vehicle Sensing
- Title（参考訳）: 道路側レーダとコネクテッドカーセンシングを用いたマルチオブザーバ車両位置推定事例
- Abstract要約: 本稿では,マルチサーバ車両のローカライゼーションフレームワークを提案する。
静的な路面レーダーとLiDAR搭載の動的連結車両から、コンパクトな物体レベルの検出を融合させる。
我々はフィンランドのヘルシンキの都市交差点で収集された実世界のデータを用いて,この枠組みを評価する。
- 参考スコア（独自算出の注目度）: 0.6474217812459662
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In modern intelligent transportation systems, it is essential to accurately estimate vehicle positions, especially in mixed traffic conditions where both connected and conventional vehicles coexist. Roadside infrastructure and connected vehicles can provide complementary observations of the same traffic scene, but real-world evidence on decision-level fusion between these sources remains limited. This paper proposes a multi-observer vehicle localization framework that fuses compact object-level detections from a static roadside radar and a dynamic LiDAR-equipped connected vehicle. We evaluate the framework with real-world data collected at an urban intersection in Helsinki, Finland, with a separately instrumented target vehicle used as the reference trajectory. Two extended Kalman filter based strategies for the localization task were benchmarked. The performance of the radar and LiDAR sensors were evaluated separately, and the two fusion strategies were explored under nominal sensing conditions, reduced LiDAR update rates, simulated LiDAR occlusions, and different target-vehicle motion states. The results show that, under full LiDAR availability, fusion performance is dominated by the LiDAR observations, while the less accurate and less consistent radar observations provide only limited additional improvement. Nevertheless, AEKF achieves small gains over the LiDAR-only baseline, and object-level connected vehicle observations remain useful when shared at reduced update rates. These findings indicate that decision-level fusion provides scenario-dependent benefits rather than automatic improvement over a strong single-sensor baseline. We release the dataset and implementation on Github to support further research: https://github.com/AppuriAalto/multi-observer-vehicle-tracking
- Abstract（参考訳）: 現代のインテリジェント交通システムでは、特にコネクテッドカーと従来の車両が共存する混合交通条件において、車両の位置を正確に推定することが不可欠である。
道路インフラストラクチャーと連結車両は、同じ交通シーンを補完的に観察することができるが、これらのソース間の意思決定レベルの融合に関する現実世界の証拠は限られている。
本稿では,静的道路側レーダと動的LiDAR搭載連結車両からの小型物体レベルの検出を融合したマルチオブザーバ車両ローカライゼーションフレームワークを提案する。
我々はフィンランドのヘルシンキの都市交差点で収集された実世界のデータを用いて,基準軌跡として個別に計測された目標車両を用いて,この枠組みを評価する。
ローカライゼーションタスクのための2つの拡張Kalmanフィルタベースの戦略をベンチマークした。
レーダとLiDARセンサの性能を別々に評価し、2つの融合戦略を名目検出条件下で検討し、LiDAR更新率を低減し、LiDARの閉塞をシミュレーションし、異なる目標車動状態を推定した。
その結果、LiDARの完全な可用性の下では、核融合性能はLiDARの観測によって支配される一方で、精度が低く、一貫性の低いレーダー観測では、追加的な改善しか得られないことがわかった。
それでも、AEKFはLiDARのみのベースラインよりも小さなゲインを達成しており、オブジェクトレベルの接続された車両の観測は更新率の低下で共有しても有用である。
これらの結果から, 意思決定レベルの融合は, 強い単一センサベースラインに対する自動改善よりも, シナリオ依存的な利点をもたらすことが示唆された。
https://github.com/AppuriAalto/multi-observer-vehicle-tracking.com/
関連論文リスト
- Effective Multi-sensor Conditioning for Street-view Novel-view Synthesis [53.67632483195509]
ビデオ拡散フレームワークであるStreetNVSを紹介する。
我々は,高架,車線シフト,引き戻し,回転などの極端な軌道外経路に沿ってコヒーレントな映像を合成する能力を示す。
論文 参考訳（メタデータ） (2026-06-01T02:37:56Z) - RS2AD-LiDAR: End-to-End Autonomous Driving LiDAR Data Generation from Roadside Sensor Observations [18.71474037531141]
道路沿いのセンサ観測から車載LiDARデータを再構成・生成するフレームワークであるRS2AD-LiDARを提案する。
我々の知る限りでは、道路沿いのセンサー入力から車載LiDARデータを再構築する最初のアプローチである。
論文 参考訳（メタデータ） (2026-05-22T09:16:17Z) - Generating Roadside LiDAR Datasets from Vehicle-Side Datasets via Novel View Synthesis [14.327452890872188]
本稿では,新しいビュー合成を通じて車側データセットからラベル付き道路側LiDARデータセットを生成するデータ合成フレームワークであるVaby-to-Roadside LiDAR Synthesis (VRS)を紹介する。
車両と道路の領域ギャップを軽減するために、VRSは車両側の観察で欠落した幾何学を補うために車両点雲の完成度を利用する。
提案フレームワークは,スケーラブルなロードサイドデータ生成のための柔軟なマルチビューレンダリングを実現する。
論文 参考訳（メタデータ） (2026-05-07T09:10:18Z) - RLPR: Radar-to-LiDAR Place Recognition via Two-Stage Asymmetric Cross-Modal Alignment for Autonomous Driving [14.25906590501402]
Radar-to-LiDARの位置認識は、既存のLiDARマップ内のレーダースキャンをローカライズすることができる。
RLPRは、単一チップ、走査、および4Dレーダと互換性のある堅牢なレーダー対LiDAR位置認識フレームワークである。
4つのデータセットの実験により、RLPRは強力なゼロショット一般化能力で認識精度を達成することが示された。
論文 参考訳（メタデータ） (2026-03-09T03:28:44Z) - RaLiFlow: Scene Flow Estimation with 4D Radar and LiDAR Point Clouds [10.906975408529895]
我々は、パブリックな現実世界の自動車のデータセットに基づいて、Radar-LiDARシーンフローデータセットを構築した。
4DレーダとLiDARのための最初の共同シーンフロー学習フレームワークであるRaLiFlowを紹介する。
提案手法は,既存のLiDAR法とレーダ方式の単一モード法とを有意差で比較した。
論文 参考訳（メタデータ） (2025-12-11T07:41:33Z) - LRFusionPR: A Polar BEV-Based LiDAR-Radar Fusion Network for Place Recognition [2.77989705536351]
自律運転においては、位置認識はGPSを用いた環境におけるグローバルな位置決めに不可欠である。
本稿では,LiDARを単一チップまたは走査型レーダーで融合させることにより,認識精度とロバスト性を向上させるLRFusionPRを提案する。
論文 参考訳（メタデータ） (2025-04-27T10:20:32Z) - LiDAR View Synthesis for Robust Vehicle Navigation Without Expert Labels [50.40632021583213]
我々は、危険な位置で物理的に運転することなく、新しい視点からLiDAR点雲を合成することを提案する。
我々は、LiDARスキャンを入力とし、将来の軌跡を出力として予測するディープラーニングモデルを訓練する。
次に、この予測軌道にウェイポイントコントローラを適用して、エゴ車両のスロットルおよびステアリングラベルを決定する。
論文 参考訳（メタデータ） (2023-08-02T20:46:43Z) - Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object
Detection [78.59426158981108]
この課題に対処し、動的オブジェクトの3D検出を改善するために、双方向LiDAR-Radar融合フレームワーク、Bi-LRFusionを導入する。
我々はnuScenesとORRデータセットに関する広範な実験を行い、我々のBi-LRFusionが動的オブジェクトを検出するための最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-06-02T10:57:41Z) - RaLiBEV: Radar and LiDAR BEV Fusion Learning for Anchor Box Free Object
Detection Systems [13.046347364043594]
自動運転では、LiDARとレーダーは環境認識に不可欠である。
最近の最先端の研究は、レーダーとLiDARの融合が悪天候の堅牢な検出につながることを明らかにしている。
鳥眼ビュー融合学習に基づくアンカーボックスフリー物体検出システムを提案する。
論文 参考訳（メタデータ） (2022-11-11T10:24:42Z) - 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) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:57:03Z) - 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。