論文の概要: Provisioning Robust and Efficient LiDAR Perception for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.27617v1
• Date: Tue, 20 Oct 2026 04:31:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.634173
• Title: Provisioning Robust and Efficient LiDAR Perception for Autonomous Driving
• Title（参考訳）: 自律運転におけるロバストかつ効率的なLiDAR知覚の提供
• Abstract要約: LiDARベースの3Dオブジェクト検出は、自動運転のための中核的な認識サービスである。 既存のアプローチは、堅牢性とリソース効率を別々に扱う。 我々は,LiDARの認識プロビジョニングを,ポイントクラウドの破損下でも精度の高い検出器の構築として定式化する。
• 参考スコア（独自算出の注目度）: 17.89331630916733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR-based 3D object detection is a core perception service for autonomous driving, but deployment requires robustness to point-cloud corruption while meeting latency and memory requirements. Existing approaches address robustness and resource efficiency separately, resulting in compact detectors that are fragile under corruption or robust detectors that remain costly to deploy. We therefore formulate LiDAR perception provisioning as constructing a detector that remains accurate under point-cloud corruptions while meeting constraints on inference latency and peak GPU memory. To achieve robustness, we first craft corrupted samples that mimic extreme weather conditions. Then we train candidate detectors offline by ordering clean and corrupted samples by perturbation sensitivity, through which detectors learn more from hard corrupted samples. We estimate perturbation sensitivity using an ensemble of seven heterogeneous 3D detectors by tracking changes in confidence, BEV overlap, and unmatched detections. To improve efficiency, we narrow the network and use offline neighborhood-density measurements to determine how many points and neighbors each sampling stage processes. We evaluate our method using AP (Average Precision) under clean and corrupted conditions, inference latency, and peak allocated GPU memory. On KITTI for Car detection with PointRCNN, our method improves Moderate AP under corruption by 3.32 points over the original detector while reducing mean latency by 19.8% and peak allocated GPU memory by 53.9%. Across two datasets, two detector architectures, and three object classes, our method improves AP under corruption by 4.03 points on average over the corresponding original detectors, while reducing mean inference latency and peak allocated GPU memory by 14.4% and 38.0%, respectively. Our code is available at https://github.com/drunklibai/robust-efficient-lidar-perception.
• Abstract（参考訳）: LiDARベースの3Dオブジェクト検出は、自動運転のための中核的な認識サービスである。 既存のアプローチでは、ロバスト性と資源効率を別々に扱い、結果として、汚職下で脆弱なコンパクトな検出器や、展開にコストがかかるロバストな検出器が作られる。 そこで我々は,推定レイテンシとピークGPUメモリの制約を満たしつつ,ポイントクラウドの破損下でも正確な検出値を構築したとして,LiDARの認識プロビジョニングを定式化した。 強靭性を達成するために、私たちはまず極度の気象条件を模倣する腐敗したサンプルを作成しました。 そして、摂動感度でクリーンで破損したサンプルを注文することで、候補検出器をオフラインで訓練する。 我々は、7つの不均一な3次元検出器のアンサンブルを用いて摂動感度を推定し、信頼性の変化、BEV重なり、未整合検出を追跡する。 効率を向上させるために,ネットワークを狭め,オフライン近傍密度測定を用いて各サンプリングステージプロセスの点数と近傍の点数を決定する。 我々は, クリーンかつ劣化した条件下でのAP(平均精度), 推論遅延, ピーク割り当てGPUメモリを用いて評価を行った。 PointRCNNを用いた車検出用KITTIでは,平均遅延を19.8%,ピーク割り当てGPUメモリを53.9%削減し,元の検出器よりも3.32ポイントの劣化下でのモードAPを改善する。 2つのデータセット,2つの検出器アーキテクチャ,3つのオブジェクトクラスにまたがって,本手法は,それぞれ平均推定遅延とピーク割り当てGPUメモリを14.4%,38.0%削減しながら,対応する元の検出器に対して平均4.03ポイントのAP劣化率を改善する。 私たちのコードはhttps://github.com/drunklibai/robust-efficient-lidar-perceptionで利用可能です。

関連論文リスト

• Mitigating Convergence Collapse in Fixed-Target Anomaly Detectors via Kernel-Anchored Locality Regularization [6.212269948361801]
  異常検知器のファミリーは、固定されたターゲットに向かってニューラルマップを訓練する。 固定ターゲット検出器のカーネル-回帰アナログが有限帯域ナダラヤ-ワトソンスムーズであることを示すことによって接続を形式化する。 この橋の上に構築されたカーネルアンコール型正規化器(KAR)は、カーネル重み付けされたトレーニングターゲットの平均値から神経予測のずれを罰する。
  論文  参考訳（メタデータ） (2026-10-01T18:16:58Z)
• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• KAN-RCBEVDepth: A multi-modal fusion algorithm in object detection for autonomous driving [2.382388777981433]
  本稿では, 自律走行における3次元物体検出の高速化を目的としたkan-RCBEVDepth法を提案する。 我々のユニークなBird’s Eye Viewベースのアプローチは、検出精度と効率を大幅に改善します。 コードはurlhttps://www.laitiamo.com/laitiamo/RCBEVDepth-KANでリリースされる。
  論文  参考訳（メタデータ） (2024-08-04T16:54:49Z)
• RobMOT: Robust 3D Multi-Object Tracking by Observational Noise and State Estimation Drift Mitigation on LiDAR PointCloud [11.111388829965103]
  本稿では,3次元トラッキング・バイ・検出手法の限界,特に正当な軌跡の同定について論じる。 既存の手法では、しきい値に基づくフィルタリングを検出スコアに用いており、遠方や隠蔽対象で失敗することがある。 ゴーストトラックを著しく低減する,新しい軌道妥当性機構と多段階観測ゲーティングプロセスを提案する。
  論文  参考訳（メタデータ） (2024-05-19T12:49:21Z)
• Benchmarking Robustness of 3D Object Detection to Common Corruptions in Autonomous Driving [44.753797839280516]
  既存の3D検出器は、悪天候やセンサーノイズなどによって引き起こされる現実世界の腐敗に対して堅牢性に欠ける。 実世界の運転シナリオを考慮したLiDARとカメラ入力の27種類の共通汚職をベンチマークした。 本研究は,24種類の3次元物体検出モデルを用いた大規模実験を行い,ロバスト性の評価を行った。
  論文  参考訳（メタデータ） (2023-03-20T11:45:54Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Embracing Single Stride 3D Object Detector with Sparse Transformer [63.179720817019096]
  自律走行のためのLiDARを用いた3次元物体検出では、物体サイズと入力シーンサイズとの比が2次元検出の場合に比べて有意に小さい。 多くの3D検出器は2D検出器の一般的な慣習に従っており、点雲の定量化後も特徴マップを分解する。 本稿では,SST(Single-stride Sparse Transformer)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T02:12:02Z)
• CurbScan: Curb Detection and Tracking Using Multi-Sensor Fusion [0.8722958995761769]
  カーブ検出と追跡は、車両のローカライゼーションと経路計画に有用である。 本稿では,複数のセンサからデータを融合して縁石を検出・追跡する手法を提案する。 提案アルゴリズムは,KITTIデータセットとデータセットでそれぞれ4.5～22m,0～14m以内の精度を90%以上維持する。
  論文  参考訳（メタデータ） (2020-10-09T22:48:20Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)

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。