論文の概要: Geometry vs Structure: Graph-Based Diagnostics for LiDAR Point-Cloud Simulation Fidelity
- arxiv url: http://arxiv.org/abs/2609.16378v1
- Date: Mon, 14 Sep 2026 21:41:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.25029
- Title: Geometry vs Structure: Graph-Based Diagnostics for LiDAR Point-Cloud Simulation Fidelity
- Title（参考訳）: 幾何対構造:LiDAR点雲シミュレーションのグラフベース診断
- Abstract要約: 実世界のスキャンに対してシミュレーションしたLiDAR点雲の構造忠実度を評価するためのグラフベースのフレームワークを提案する。
本フレームワークは,実および模擬点雲からグラフを構築し,空間的コヒーレントな部分グラフを識別するためにLouvainコミュニティ検出を適用し,セントロイド近接を用いて対応するコミュニティとマッチングする。
- 参考スコア（独自算出の注目度）: 0.9668407688201359
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Digital twins provide a scalable and cost-effective complement to real-world testing for validating autonomous-driving and advanced driver-assistance system (ADAS) sensor pipelines. However, quantifying their fidelity remains challenging, particularly for 3D LiDAR point clouds, where conventional geometric metrics may overlook important structural discrepancies. We present a graph-based framework for evaluating the structural fidelity of simulated LiDAR point clouds against real-world scans. While scan-level metrics such as Chamfer distance capture point-wise geometric similarity, they do not explicitly represent connectivity, topology, or object-level organization. Our framework constructs graphs from real and simulated point clouds, applies Louvain community detection to identify spatially coherent subgraphs, and matches corresponding communities using centroid proximity. For each matched pair, we compute $r_λ$, a bounded graph-spectral metric motivated by Weyl's inequality, and compare it with density-aware Chamfer distance (CDC) as a geometric baseline. Controlled perturbation experiments demonstrate that $r_λ$ is invariant to rigid transformations and robust to sensor noise while remaining sensitive to structural deformation. We evaluate the framework on 50 paired real and simulated LiDAR scans acquired using a Velodyne VLP-32C sensor and CARLA, respectively. The dataset contains more than 1,000 matched communities across four representative classes: vehicles, vegetation, trees, and building walls. The results show that geometric and structural measures capture complementary aspects of simulation fidelity, supporting graph-spectral analysis as an additional diagnostic layer for validating digital twins in ADAS and autonomous-driving applications.
- Abstract（参考訳）: デジタルツインは、自律運転および先進運転支援システム(ADAS)センサーパイプラインを検証するために、現実世界のテストにスケーラブルで費用効率のよい補完を提供する。
しかし、特に3次元LiDAR点雲では、従来の幾何学的測度が重要な構造的相違を見逃す可能性があるため、それらの忠実さの定量化は依然として困難である。
実世界のスキャンに対してシミュレーションしたLiDAR点雲の構造忠実度を評価するためのグラフベースのフレームワークを提案する。
Chamfer 距離のようなスキャンレベルのメトリクスはポイントワイドな幾何学的類似性をキャプチャするが、接続性、トポロジ、オブジェクトレベルの組織を明示的に表すものではない。
本フレームワークは,実および模擬点雲からグラフを構築し,空間的コヒーレントな部分グラフを識別するためにLouvainコミュニティ検出を適用し,セントロイド近接を用いて対応するコミュニティとマッチングする。
各マッチングペアに対して、ワイルの不等式に動機づけられた有界グラフスペクトル計量である$r_λ$を計算し、それを幾何学的ベースラインとして密度対応のチャンファー距離(CDC)と比較する。
制御された摂動実験により、$r_λ$は剛性変換に不変であり、構造変形に敏感でありながら、センサノイズに頑健であることが示された。
我々は,Velodyne VLP-32CセンサとCARLAを用いて,50対の実検および模擬LiDARスキャンのフレームワークの評価を行った。
データセットには、車両、植生、木、建築壁の4つの代表クラスの1,000以上のマッチしたコミュニティが含まれている。
その結果, 幾何的および構造的測定はシミュレーションの忠実さの相補的な側面を捉え, グラフスペクトル解析をADASおよび自律走行アプリケーションにおけるディジタルツインの検証のための付加的な診断層としてサポートしていることが示唆された。
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) - Tropical Algebraic Geometry for Neuronal Representations: An Arakelov-Green Measure Based Descriptor for Graph Learning [14.563432689352084]
本稿では,熱帯代数幾何学に基づくトレーニング不要な幾何学的事前手法を提案する。
空間木を熱帯ヤコビアンへの埋め込みに適した巡回計量グラフに変換する。
離散的なアラケロフ・グリーン測度は、グラフラプラシアンの一般化された逆数を通して閉じた形で計算され、この被覆上の不定分極距離を除いた固有経路計量に正確に分解されることを示す。
論文 参考訳（メタデータ） (2026-08-05T05:34:50Z) - SAHG: Sector-Anisotropic Hyperbolic Graph Model for Social Bot Detection [13.157204493239282]
LLMを駆使したソーシャルボットは、流動的で人間らしいテキストを生成することができ、コンテンツに基づく検出のみの差別的優位性を減らすことができる。
既存のグラフ検出器は、そのような証拠を利用する際に2つの課題に直面している。
本稿では, 方向依存曲率場を$(u)$で学習し, 構造方向の幾何分解能を適応させるSAHGを提案する。
論文 参考訳（メタデータ） (2026-05-28T16:19:14Z) - OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。
パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
論文 参考訳（メタデータ） (2026-05-13T17:42:20Z) - A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。
MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。
合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-05-05T20:19:09Z) - Geometry OR Tracker: Universal Geometric Operating Room Tracking [61.399734016038614]
手術室(OR)では、世界規模のマルチビュー3Dトラッキングは、外科医の行動認識のような下流のアプリケーションをサポートする。
カメラのキャリブレーションとRGB-Dの登録は常に信頼性が低く、幾何学的不整合が生じる。
我々は、不正確なキャリブレーションをスケール一貫性と幾何学的に整合したカメラ設定に修正する2段階パイプラインであるGeometry OR Trackerを紹介する。
論文 参考訳（メタデータ） (2026-02-28T09:21:21Z) - Analysis of Converged 3D Gaussian Splatting Solutions: Density Effects and Prediction Limit [26.560853188856342]
標準的な多視点最適化から3次元ガウススプラッティング(3DGS)の解にどのような構造が現れるかを検討する。
密度領域は、レンダリング不要な予測が可能な幾何学的関連パラメータを示し、スパース領域は体系的な失敗を示す。
点雲が十分である幾何学的プリミティブと、多視点制約が不可欠であるビュー合成プリミティブである。
論文 参考訳（メタデータ） (2026-02-09T17:09:08Z) - Enhanced 3D Shape Analysis via Information Geometry [2.3490649790592935]
3次元の点雲は、コンピュータグラフィックス、フォトグラム、コンピュータビジョン、ロボット工学の応用に不可欠な、オブジェクトの高精度なデジタル表現を提供する。
本稿では,GMM(Gaussian Mixture Models)として分布する点雲を統計多様体上に表現することにより,3次元点雲形状解析のための情報幾何学的枠組みを提案する。
GMM の空間が統計多様体となることを証明し、理論上および下界を保証し、すべての GMM 比較に対して数値的安定性を確保するため、改良されたシンメトリー・コールバック・リブラー(MSKL)の発散を提案する。
論文 参考訳（メタデータ） (2025-12-18T06:01:44Z) - A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。
本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。
ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。
これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
論文 参考訳（メタデータ） (2024-12-12T16:05:39Z) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳（メタデータ） (2022-02-27T12:52:27Z)
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。