論文の概要: Online Target-less Radar-LiDAR-Camera Extrinsic Calibration via Joint Optimization
- arxiv url: http://arxiv.org/abs/2610.04552v1
- Date: Sat, 03 Oct 2026 14:35:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 18:53:52.705869
- Title: Online Target-less Radar-LiDAR-Camera Extrinsic Calibration via Joint Optimization
- Title（参考訳）: 共同最適化によるオンラインターゲットレスレーダ-LiDAR-Camera Extrinsic Calibration
- Abstract要約: レーダ-LiDARカメラシステムにおけるオンラインターゲットレス外部キャリブレーションの問題に対処する。
既存のターゲットレス方式は、主に単一のセンサーペア用に設計されている。
センサペアごとに残差を構成する共同校正フレームワークを提案する。
本手法は,様々な都市環境をカバーする社内レーダ・LiDARカメラ・データセットで検証する。
- 参考スコア（独自算出の注目度）: 12.798480805492458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fusing radar, LiDAR, and camera enables robust perception in diverse and adverse conditions, but the fusion performance critically depends on accurate extrinsic calibration among the three sensors. In this paper, we address the problem of online target-less extrinsic calibration for the radar-LiDAR-camera system. Existing target-less methods are mostly designed for a single sensor pair, and composing the pairwise results does not guarantee consistency across the three sensors. Moreover, the sparse and noisy radar measurements make the radar-involving pairs unreliable. To tackle these challenges, we propose a joint calibration framework that constructs residuals for each sensor pair and optimizes the extrinsics of all pairs together to minimize the overall residual. Furthermore, we introduce an adaptive radar noise filter that rejects spurious radar returns using a range-dependent margin, and a correspondence accumulation strategy that aggregates sparse radar correspondences over frames. We validate our method on an in-house radar-LiDAR-camera dataset covering diverse urban environments, where it reduces calibration errors across all sensor pairs over a state-of-the-art camera-LiDAR baseline.
- Abstract（参考訳）: ハウジングレーダー、LiDAR、カメラは多様かつ有害な状況において堅牢な認識を可能にするが、融合性能は3つのセンサー間の正確な外在的キャリブレーションに依存している。
本稿では,レーダ-LiDARカメラシステムにおけるオンラインターゲットレス外部キャリブレーションの問題に対処する。
既存のターゲットレス方式は、主に単一のセンサーペア用に設計されており、3つのセンサー間の一貫性を保証していない。
さらに、スパースレーダとノイズレーダの計測は、レーダーが関与するペアの信頼性を損なう。
これらの課題に対処するために,センサペア毎の残差を構成する共同校正フレームワークを提案し,全ペアの外部特性を最適化し,全体の残差を最小化する。
さらに,スプリアスレーダリターンを除去する適応型レーダノイズフィルタと,フレーム上のスパースレーダ対応を集約する対応蓄積戦略を導入する。
本手法は,様々な都市環境を網羅した社内レーダ・LiDARカメラ・データセットを用いて,最先端のカメラ・LiDARベースライン上でのセンサ対間の校正誤差を低減する。
関連論文リスト
- RadarSim: Simulating Single-Chip Radar via Multimodal Neural Fields [49.41438378775056]
レーダーはカメラの理想的な補完であり、カメラは細かな角分解能を提供し、レーダーは悪天候下でメートル法的な深さと頑丈さを提供する。
RadarSimはレーダーのみの再構築よりもシャープな幾何学とドップラーレンジフレームを生成する。
論文 参考訳（メタデータ） (2026-05-25T21:03:40Z) - 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) - CLRNet: Targetless Extrinsic Calibration for Camera, Lidar and 4D Radar Using Deep Learning [4.316506818580031]
本稿では,新しい多モードエンドツーエンドディープラーニング(DL)キャリブレーションネットワークであるCLRNetを提案する。
従来の最先端手法と比較してキャリブレーション精度が優れていることを示す。
論文 参考訳（メタデータ） (2026-03-16T18:01:13Z) - 4D-CAAL: 4D Radar-Camera Calibration and Auto-Labeling for Autonomous Driving [28.84154696792842]
本研究では,4次元レーダカメラキャリブレーションと自動ラベリングのための統合フレームワークである4D-CAALを提案する。
我々は、チェッカーボード中心を最強のレーダー反射点と整列する頑健な対応マッチングアルゴリズムを開発した。
本稿では,センサのキャリブレーションを利用した自動ラベル付けパイプラインを提案し,アノテーションをカメラベースセグメンテーションからレーダポイントクラウドに転送する。
論文 参考訳（メタデータ） (2026-01-29T09:30:41Z) - ALICE-LRI: A General Method for Lossless Range Image Generation for Spinning LiDAR Sensors without Calibration Metadata [0.0]
3D LiDARセンサーは、リモートセンシングアプリケーションにおける自律ナビゲーション、環境モニタリング、高精度マッピングに不可欠である。
これらのセンサによって生成された巨大な点雲を効率的に処理するために、LiDARデータは角の位置と距離でポイントを整理する2Dレンジ画像に投影されることが多い。
製造者メタデータや校正ファイルを必要とせず、LiDAR点雲を回転させることにより、ロスレスレンジ画像生成を実現する、最初の一般センサ非依存方式であるALICE-LRIを提案する。
論文 参考訳（メタデータ） (2025-10-23T16:22:58Z) - Targetless LiDAR-Camera Calibration with Neural Gaussian Splatting [28.41267004945046]
本稿では,ニューラルベースガウス表現と協調してセンサポーズを最適化するTLC(Targetless LiDAR scene)を提案する。
光度および幾何正則化による完全微分可能なパイプラインは、ロバストで一般化可能なキャリブレーションを実現する。
論文 参考訳（メタデータ） (2025-04-06T20:00:01Z) - 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) - RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
暗い照明や悪天候はカメラの性能を低下させる。
レーダーは騒音と位置のあいまいさに悩まされる。
本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
論文 参考訳（メタデータ） (2025-02-18T17:17:38Z) - Better Monocular 3D Detectors with LiDAR from the Past [64.6759926054061]
カメラベースの3D検出器は、画像の奥行きのあいまいさのため、LiDARベースの検出器に比べて性能が劣ることが多い。
本研究では,未ラベルの歴史的LiDARデータを活用することにより,単分子3D検出器の改良を図る。
複数の最先端モデルやデータセットに対して,9.66ミリ秒の追加レイテンシとストレージコストの低い,一貫性と大幅なパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2024-04-08T01:38:43Z) - 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)
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。