論文の概要: AevaScenes: An FMCW LiDAR Dataset and Benchmark for Long-Range Perception

• arxiv url: http://arxiv.org/abs/2609.33230v1
• Date: Sun, 27 Sep 2026 05:16:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 02:03:11.228136
• Title: AevaScenes: An FMCW LiDAR Dataset and Benchmark for Long-Range Perception
• Title（参考訳）: AevaScenes: FMCW LiDARデータセットと長距離知覚のためのベンチマーク
• Abstract要約: 我々は16の検出クラスに800万以上の注釈付き3Dボックスと24のセマンティッククラスにまたがるポイント毎ラベルを持つ575のシーケンス(57.5Kフレーム)からなるFMCW LiDARデータセットを提案する。 3次元オブジェクト検出、シーンフロー推定、セマンティックセグメンテーションの3つのタスクでベンチマークを定義する。 遠距離車両や歩行者のAP検出において,特に低レイテンシ単一フレーム設定において,最大2倍の大幅な改善が見られた。
• 参考スコア（独自算出の注目度）: 36.970244785951145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: FMCW LiDAR measures per-point radial Doppler velocity alongside range, providing a motion cue unavailable in conventional time-of-flight sensors. Exploiting this signal at long range remains understudied. We present an FMCW LiDAR dataset of 575 sequences (57.5K frames) with over 8 million annotated 3D boxes across 16 detection classes and per-point labels across 24 semantic classes, captured by six commercial FMCW LiDAR sensors and six paired 4K cameras across eight Bay Area cities, including 237 nighttime sequences, with annotations extending to 400m. We define a benchmark with three tasks: 3D object detection, scene flow estimation, and semantic segmentation. Detection and scene flow are evaluated across three range bins to 400m, with a public evaluation server. We explore the impact of Doppler measurements on flagship recognition tasks, and find significant improvements up to 2X in detection AP of far-away vehicles and pedestrians, particularly in low-latency single-frame settings. We similarly find scene flow accuracy is significantly improved with Doppler measurements across all ranges. Our dataset and benchmark have been publicly released at https://scenes.aeva.com.
• Abstract（参考訳）: FMCW LiDARは、点当たりの半径ドップラー速度を距離とともに測定し、従来の飛行時間センサーでは利用できないモーションキューを提供する。 長距離でのこの信号の爆発は未検討のままである。 我々は16の検出クラスに800万以上の注釈付き3Dボックスと24のセマンティッククラスにまたがる24の意味クラスにまたがる575のシーケンス(57.5Kフレーム)からなるFMCW LiDARデータセットを、ベイエリアの8都市に6つの商用FMCW LiDARセンサーと6つのペア4Kカメラでキャプチャし、その中には237の夜間シーケンスが含まれ、アノテーションは400mまで拡張された。 3次元オブジェクト検出、シーンフロー推定、セマンティックセグメンテーションの3つのタスクでベンチマークを定義する。 3つのレンジビンから400mまでの検知とシーンフローをパブリック評価サーバで評価する。 本稿では,フラッグシップ認識タスクに対するドップラー計測の影響について検討し,特に低レイテンシ単一フレーム設定において,遠距離車両や歩行者のAP検出において最大2倍の大幅な改善が見られた。 同様に、あらゆる範囲にわたるドップラー計測により、シーンフローの精度が大幅に向上している。 私たちのデータセットとベンチマークはhttps://scenes.aeva.com.comで公開されています。

関連論文リスト

• Do Spinning Radar Doppler Velocity Measurements Improve Vehicle Detection and Tracking? [9.94837485119294]
  ドップラー速度測定が回転レーダ車両の検出と追跡性能を向上させるかを検討する。 検出には、エゴ運動を推定し、レーダ画像のドップラー範囲歪みを解き放つ。 トラッキングのために,車体毎の速度を推定し,トラッカーの運動モデルに先行する手法を提案する。
  論文  参考訳（メタデータ） (2026-09-17T18:56:43Z)
• MOANA: Multi-Radar Dataset for Maritime Odometry and Autonomous Navigation Application [10.093577014949398]
  このデータセットは、短距離LiDARデータ、中距離Wバンドレーダデータ、長距離Xバンドレーダデータを統一されたフレームワークに統合する。 このデータセットは、ブルーナビゲーションアルゴリズム推定の難易度が異なる多様な領域から収集された7つのシーケンスから構成される。
  論文  参考訳（メタデータ） (2024-12-05T05:40:40Z)
• V2X-R: Cooperative LiDAR-4D Radar Fusion with Denoising Diffusion for 3D Object Detection [64.93675471780209]
  我々は、LiDAR、カメラ、および4Dレーダを取り入れた初のシミュレーションV2XデータセットであるV2X-Rを提案する。 V2X-Rには12,079のシナリオがあり、LiDARと4Dレーダーポイント雲の37,727フレーム、150,908の画像、170,859の注釈付き3D車両バウンディングボックスがある。 本稿では,3次元物体検出のための新しいコラボレーティブLiDAR-4Dレーダ融合パイプラインを提案し,様々な融合戦略を用いて実装する。
  論文  参考訳（メタデータ） (2024-11-13T07:41:47Z)
• RoboSense: Large-scale Dataset and Benchmark for Egocentric Robot Perception and Navigation in Crowded and Unstructured Environments [62.5830455357187]
  我々は3種類のセンサー(Camera, LiDAR, Fisheye)をベースとした自我中心型マルチセンサデータ収集プラットフォームを構築した。 大規模なマルチモーダルデータセットであるRoboSenseは、エゴセントリックなロボット知覚を促進するために構築されている。
  論文  参考訳（メタデータ） (2024-08-28T03:17:40Z)
• An Empirical Analysis of Range for 3D Object Detection [70.54345282696138]
  本稿では,長距離検出データセットArgoverse 2.0を用いた遠距離3次元検出の実験的検討を行った。 近接場LiDARの測定は、小さなボクセルによって密度が高く最適に符号化され、遠距離場の測定は疎く、大きなボクセルで符号化されている。 本研究では,33%の効率向上と3.2%のCDSの精度向上を図った。
  論文  参考訳（メタデータ） (2023-08-08T05:29:26Z)
• Detection, Tracking, and Counting Meets Drones in Crowds: A Benchmark [97.07865343576361]
  DroneCrowdという新しいドローンキャプチャ型大規模データセットによるベンチマークを構築した。 私たちは4800万人の頭といくつかのビデオレベルの属性を持つ20,800人のトラジェクタに注釈を付けます。 我々は、密集した群衆の物体の検出、追跡、数え上げを行うための強力なベースラインとして、Space-Time Neighbor-Aware Network (STNNet)を設計する。
  論文  参考訳（メタデータ） (2021-05-06T04:46:14Z)

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。