文献

J-GLOBAL ID：202402267587822981   整理番号：24A2574298

LiDARデータの距離・反射強度・欠損分布を表現する深層生成モデルの開発

Development of Deep Generative Models for LiDAR Range, Reflectance, and Raydrop Distributions

著者 (5件)： LIU Xiaowen (九大) ,  中嶋一斗 (九大) ,  宮脇智也 (九大) ,  岩下友美 (NASAジェット推進研) ,  倉爪亮 (九大)
資料名： 計測自動制御学会システムインテグレーション部門講演会(CD-ROM)  (SICE SI (CD-ROM))
巻： 24th  ページ： ROMBUNNO.2B3-01  発行年： 2023年 
JST資料番号： F1751A  資料種別： 会議録 (C)
記事区分： 短報  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： ・自動運転や自律移動ロボットに不可欠な構成要素の一つとなっている,LiDARセンサからの点群を用いた機械学習に基づいた障害物検知の課題について考察。
・モデルを構築するための大規模学習データのアノテーションコストが課題に対して,自動運転シミュレータ上で擬似的なLiDARスキャンと正解ラベルの対を自動合成し,機械学習モデルの学習データとして利用するSim2Realアプローチを紹介。
・敵対的生成ネットワーク(GAN)を採用し,実環境のLiDARデータを構成する距離値,反射強度,欠損ノイズを表現する深層生成モデルを紹介。
・対数距離表現・分離表現の制約項の導入により,ベースラインと同程度のスコアを維持しながら反射強度画像生成を実現。

シソーラス用語： 敵対的生成ネットワーク ,  深層学習 ,  *障害物検出 ,  LIDAR ,  *LIDARデータ
準シソーラス用語： 障害物検知 ,  *深層生成モデル

分類 (2件)： ロボットの運動・制御  (IC04012J) ,  人工知能  (JE08000Z)

引用文献 (9件)：

• Ian Goodfellow et al.: “Generative adversarial nets”. Proceedings of the Advances in Neural Information Processing Systems (NeurIPS). 2014, pp. 2672-2680.
• Lucas Caccia et al.: “Deep Generative Modeling of LiDAR Data”. Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2019, pp. 5034-5040.
• Alec Radford, Luke Metz, and Soumith Chintala: “Unsupervised representation learning with deep convolutional generative adversarial networks”. arXiv preprint arXiv:1511.06434, (2015).
• Kazuto Nakashima and Ryo Kurazume: “Learning to Drop Points for LiDAR Scan Synthesis”. Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2021, pp. 222-229.
• Kazuto Nakashima, Yumi Iwashita, and Ryo Kurazume: “Generative Range Imaging for Learning Scene Priors of 3D LiDAR Data”. Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). 2023, pp. 1256-1266.

タイトルに関連する用語 (7件)： LIDARデータ ,  反射強度 ,  欠損 ,  分布 ,  表現 ,  深層生成モデル ,  開発