Learning to Predict Lidar Intensities

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F22%3A00345773" target="_blank" >RIV/68407700:21230/22:00345773 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1109/TITS.2020.3037980" target="_blank" >https://doi.org/10.1109/TITS.2020.3037980</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/TITS.2020.3037980" target="_blank" >10.1109/TITS.2020.3037980</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Learning to Predict Lidar Intensities

Popis výsledku v původním jazyce

We propose a data-driven method for simulating lidar sensors. The method reads computer-generated data, and (i) extracts geometrically simulated lidar point clouds and (ii) predicts the strength of the lidar response – lidar intensities. Qualitative valuation of the proposed pipeline demonstrates the ability to predict systematic ailures such as no/low responses on polished parts of car bodyworks and windows, for strong responses on reflective surfaces such as traffic signs and license/registration plates. We also experimentally show that enhancing the training set by such simulated data improves the segmentation accuracy on the real dataset with limited access to real data. Implementation of the resulting lidar simulator for the GTA V game, as well as the accompanying large dataset, is made publicly available.

Název v anglickém jazyce

Learning to Predict Lidar Intensities

Popis výsledku anglicky

We propose a data-driven method for simulating lidar sensors. The method reads computer-generated data, and (i) extracts geometrically simulated lidar point clouds and (ii) predicts the strength of the lidar response – lidar intensities. Qualitative valuation of the proposed pipeline demonstrates the ability to predict systematic ailures such as no/low responses on polished parts of car bodyworks and windows, for strong responses on reflective surfaces such as traffic signs and license/registration plates. We also experimentally show that enhancing the training set by such simulated data improves the segmentation accuracy on the real dataset with limited access to real data. Implementation of the resulting lidar simulator for the GTA V game, as well as the accompanying large dataset, is made publicly available.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

20204 - Robotics and automatic control

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

IEEE Transactions on Intelligent Transportation Systems

ISSN

1524-9050

e-ISSN

1558-0016

Svazek periodika

23

Číslo periodika v rámci svazku

4

Stát vydavatele periodika

DE - Spolková republika Německo

Počet stran výsledku

9

Strana od-do

3556-3564

Kód UT WoS článku

000732408600001

EID výsledku v databázi Scopus

2-s2.0-85100446187