論文の概要: Robust Reconstruction of Power Lines from Incomplete Mobile and Aerial LiDAR Data
- arxiv url: http://arxiv.org/abs/2611.05197v1
- Date: Tue, 03 Nov 2026 16:48:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 13:45:01.757683
- Title: Robust Reconstruction of Power Lines from Incomplete Mobile and Aerial LiDAR Data
- Title(参考訳): 不完全移動・空中LiDARデータによる電力線ロバスト復元
- Abstract要約: 植生の侵食評価とリスク軽減は、配電網資産の特定と特徴付けのために電気的効用を必要とする。
LiDARの点雲は、これらの資産とその周囲の詳細な3D表現を提供する。
コンダクターリターンは、しばしば不完全、ノイズ、または植生によって妨げられているため、電力線と再建は依然として困難なままである。
- 参考スコア(独自算出の注目度): 2.736234847945321
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate vegetation-encroachment assessment and risk mitigation require electric utilities to accurately locate and characterize distribution-network assets, including poles and power lines, and distinguish among medium-voltage, low-voltage, neutral, and telecommunication lines. Mobile and aerial Light Detection and Ranging (LiDAR) point clouds provide detailed 3D representations of these assets and their surroundings. However, power-line detection and reconstruction remain challenging because conductor returns are often sparse, incomplete, noisy, or occluded by vegetation. These challenges are especially significant in distribution networks, where lower pole heights and complex line configurations place conductors close to trees. In addition, mobile and aerial LiDAR datasets differ substantially in point density, viewing geometry, spatial coverage, and occlusion patterns. We propose a robust and automated reconstruction method combining scaled density-based clustering, robust polynomial fitting, and iterative fragment merging to recover individual conductors under severe data incompleteness and occlusion. Following semantic classification, the same reconstruction pipeline processes both mobile and aerial LiDAR data without modality-specific code or parameter tuning. The method is evaluated through degradation experiments, benchmarking, parameter sensitivity analysis, and large-scale validation. On the aerial dataset, it achieves 96.87% precision, 96.66% recall, a 96.76% F$_1$-score, and a geometric RMSE of 0.127 m. On the mobile dataset, where conductor-level reference annotations were unavailable, it achieves a point-to-model RMSE of 0.045 m and a reconstruction coverage of 95.27%. Source code, documentation, and evaluation data are publicly available at https://github.com/varen-project.
- Abstract(参考訳): 正確な植生の侵食評価とリスク軽減は、電化企業に対して、電柱や電力線を含む配電網資産の正確な特定と特徴付けを行い、中電圧、低電圧、中立、電気通信線を区別する必要がある。
モバイルおよび空中光検出・照準(LiDAR)点雲は、これらの資産とその周囲の詳細な3D表現を提供する。
しかし、電力線検出と再建は、導体リターンが希少で、不完全で、ノイズがあり、植生によって妨げられているため、依然として困難である。
これらの課題は、電柱の高さが低く、複雑な線構成で導体が木に近接する分布ネットワークにおいて特に重要である。
加えて、モバイルおよび空中LiDARデータセットは、点密度、視線幾何学、空間被覆、閉塞パターンで大きく異なる。
本研究では, 大規模密度クラスタリング, 頑健な多項式フィッティング, 反復的フラグメントマージを組み合わせることで, 個々の導体を重大データ不完全性と閉塞下で復元する, 頑健で自動的な再構成手法を提案する。
セマンティックな分類の後、同じ再構築パイプラインは、モダリティ固有のコードやパラメータチューニングなしで、モバイルと空中の両方のLiDARデータを処理します。
本手法は, 劣化実験, ベンチマーク, パラメータ感度解析, 大規模検証により評価した。
飛行データセットでは96.87%の精度、96.66%のリコール、96.76%のF$_1$スコア、幾何RMSEは0.127mである。
導体レベルの参照アノテーションが利用できないモバイルデータセットでは、0.45mのポイント・ツー・モデルRMSEと95.27%のリコンストラクションが達成されている。
ソースコード、ドキュメンテーション、評価データはhttps://github.com/varen-projectで公開されている。
関連論文リスト
- Learning-Based 3D Reconstruction of Power Networks from Aerial Point Clouds [4.152879929287123]
本稿では,大規模空中LiDARから高次物理メタデータを抽出し,オーバヘッド電力ユーティリティネットワークトポロジを再構築するエンド・ツー・エンドのフレームワークを提案する。
検証されたワイヤごとに、エンドポイント導体高さ、接地、サグ関連最低点特徴、導体配置、ワイヤ幅など、ユーティリティインフラストラクチャーの幾何学に関する属性が計算される。
複数の実世界の航空LiDARデータセットによる評価では、位相再構成のためのデシメータレベルの終点高さの精度と、約9%の相対的な改善が示されている。
論文 参考訳(メタデータ) (2026-09-20T22:43:42Z) - Channel-Level Relation to Attentive Aggregation with Neighborhood-Homogeneity Constraint for Point Cloud Analysis [14.63838637349137]
3Dポイントのクラウド理解では、複雑な地区内の差別的特徴を正確に捉えることが課題である。
既存の手法では特徴相関の識別を探索するが、点レベルの空間分布やチャネル応答に制限される。
本稿では,チャネルレベルのメートル法に基づく拡張機構を備えた新しいネットワークであるPointCRAを提案する。
論文 参考訳(メタデータ) (2026-05-04T08:59:36Z) - TransBridge: Boost 3D Object Detection by Scene-Level Completion with Transformer Decoder [66.22997415145467]
本稿では,スパース領域における検出機能を改善する共同補完・検出フレームワークを提案する。
具体的には,トランスブリッジ(TransBridge)を提案する。トランスブリッジ(TransBridge)はトランスフォーマーをベースとした新しいアップサンプリングブロックである。
その結果,本フレームワークは,各手法の平均精度(mAP)が0.7から1.5の範囲で,エンドツーエンドの3Dオブジェクト検出を一貫して改善していることがわかった。
論文 参考訳(メタデータ) (2025-12-12T00:08:03Z) - Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳(メタデータ) (2025-11-21T07:25:49Z) - Urban 3D Change Detection Using LiDAR Sensor for HD Map Maintenance and Smart Mobility [26.712098856567888]
都市規模LiDARのための物体中心型不確実性認識パイプラインを提案する。
これはエポックを多分解能NDTと整列し、次に点対平面ICP、高さを正規化し、位置検出レベルを導出する。
15代表のスービアコでは95.2%の精度、90.4%のmF1、82.6%のmIoUがトリプルトKPConvを超える精度、0.2のmF1、0.8のmIoUがブロックされ、IoUが74.8%に達し、7.6ポイント改善された。
論文 参考訳(メタデータ) (2025-10-24T02:59:55Z) - On the Limitations of Ray-Tracing for Learning-Based RF Tasks in Urban Environments [4.097291451674696]
ローマ中央部の屋外細胞リンクにおけるSionna v ray-tracingの現実性について検討した。
我々は、経路深さ、拡散/特異/屈折フラグ、キャリア周波数、アンテナの特性など、主なシミュレーションパラメータを変化させる。
論文 参考訳(メタデータ) (2025-07-25T19:58:44Z) - Taming Anomalies with Down-Up Sampling Networks: Group Center Preserving Reconstruction for 3D Anomaly Detection [59.822737536103155]
グループ中心幾何構造を保存して3次元異常検出のための高精度点雲を再構成するために,ダウンアップサンプリングネットワーク(DUS-Net)を提案する。
提案手法は、オブジェクトレベルのAUROCの79.9%と79.5%、Real3D-ADおよびAnomaly-ShapeNetデータセットの71.2%と84.7%のポイントレベルのAUROCを用いて、最先端(SOTA)性能を実現する。
論文 参考訳(メタデータ) (2025-07-05T05:05:36Z) - ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳(メタデータ) (2025-06-12T06:27:22Z) - 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) - ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework
for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。
シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。
ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文 参考訳(メタデータ) (2020-09-07T23:46:08Z)
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。