論文の概要: Estimating the Magnitude and Phase of Automotive Radar Signals under
Multiple Interference Sources with Fully Convolutional Networks
- arxiv url: http://arxiv.org/abs/2008.05948v2
- Date: Sat, 6 Nov 2021 08:37:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 11:28:58.470791
- Title: Estimating the Magnitude and Phase of Automotive Radar Signals under
Multiple Interference Sources with Fully Convolutional Networks
- Title（参考訳）: 完全畳み込みネットワークを用いた複数干渉源による自動車レーダ信号の大きさと位相の推定
- Authors: Nicolae-C\u{a}t\u{a}lin Ristea, Andrei Anghel, Radu Tudor Ionescu
- Abstract要約: レーダーセンサーは徐々に道路車両の広範に普及し、自動運転と道路安全において重要な役割を担っている。
レーダーセンサーの広範な採用により、異なる車両からのセンサー間の干渉の機会が増加し、破損したレンジプロファイルとレンジ・ドップラーマップが生成される。
本稿では,自動車用レーダ干渉緩和のための完全畳み込みニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 22.081568892330996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radar sensors are gradually becoming a wide-spread equipment for road
vehicles, playing a crucial role in autonomous driving and road safety. The
broad adoption of radar sensors increases the chance of interference among
sensors from different vehicles, generating corrupted range profiles and
range-Doppler maps. In order to extract distance and velocity of multiple
targets from range-Doppler maps, the interference affecting each range profile
needs to be mitigated. In this paper, we propose a fully convolutional neural
network for automotive radar interference mitigation. In order to train our
network in a real-world scenario, we introduce a new data set of realistic
automotive radar signals with multiple targets and multiple interferers. To our
knowledge, we are the first to apply weight pruning in the automotive radar
domain, obtaining superior results compared to the widely-used dropout. While
most previous works successfully estimated the magnitude of automotive radar
signals, we propose a deep learning model that can accurately estimate the
phase. For instance, our novel approach reduces the phase estimation error with
respect to the commonly-adopted zeroing technique by half, from 12.55 degrees
to 6.58 degrees. Considering the lack of databases for automotive radar
interference mitigation, we release as open source our large-scale data set
that closely replicates the real-world automotive scenario for multiple
interference cases, allowing others to objectively compare their future work in
this domain. Our data set is available for download at:
http://github.com/ristea/arim-v2.
- Abstract（参考訳）: レーダーセンサーは徐々に道路車両の広範に普及し、自動運転と道路安全において重要な役割を担っている。
レーダーセンサーの広範な採用により、異なる車両からのセンサー間の干渉の可能性が高まり、乱れたレンジプロファイルとレンジドップラーマップが生成される。
レンジドップラーマップから複数のターゲットの距離と速度を抽出するためには、各レンジプロファイルに影響を及ぼす干渉を緩和する必要がある。
本稿では,自動車用レーダー干渉緩和のための完全畳み込みニューラルネットワークを提案する。
実世界のシナリオでネットワークをトレーニングするために、複数のターゲットと複数の干渉を持つ現実的な自動車レーダ信号のデータセットを導入します。
我々の知る限り、我々は初めて自動車用レーダー領域で重量刈りを施し、広く使われている落差よりも優れた結果を得た。
先行研究のほとんどは自動車レーダ信号の大きさを推定することに成功したが,本研究では位相を正確に推定できる深層学習モデルを提案する。
例えば、新しい手法では、一般に採用されているゼロ化手法の位相推定誤差を12.55度から6.58度に半減する。
自動車用レーダー干渉緩和のためのデータベースが欠如していることを考えると、我々は大規模なデータセットをオープンソースとしてリリースし、複数の干渉事例に対する現実の自動車シナリオを密に再現し、他の人々がこの領域における将来の作業と客観的に比較できるようにします。
私たちのデータセットは、http://github.com/ristea/arim-v2でダウンロードできます。
関連論文リスト
- Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。
提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。
本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
論文 参考訳（メタデータ） (2024-05-07T20:44:48Z) - Angle-Equivariant Convolutional Neural Networks for Interference
Mitigation in Automotive Radar [9.865041274657823]
到達角度の異なる学習パターンを転送可能なランク3畳み込みを用いた完全畳み込みニューラルネットワーク(CNN)を導入する。
提案したアーキテクチャは,ロバスト性が高く,トレーニング可能なパラメータの数も少ないため,従来よりも優れていた。
論文 参考訳（メタデータ） (2023-12-18T12:37:12Z) - Timely Fusion of Surround Radar/Lidar for Object Detection in Autonomous Driving Systems [13.998883144668941]
レーダーとライダーセンサーのデータは、その補完的な利点を十分に活用し、周囲をより正確に再現することができる。
既存のレーダ/リダ融合法は、サラウンドレーダの低周波で動作する必要がある。
本稿では,Radar/Lidar周辺を高速なLidarのみに制限された作業周波数でヒューズする手法を開発した。
論文 参考訳（メタデータ） (2023-09-09T14:22:12Z) - Echoes Beyond Points: Unleashing the Power of Raw Radar Data in
Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。
具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文 参考訳（メタデータ） (2023-07-31T09:53:50Z) - RadarFormer: Lightweight and Accurate Real-Time Radar Object Detection
Model [13.214257841152033]
レーダー中心のデータセットは、レーダー知覚のためのディープラーニング技術の開発にはあまり注目されていない。
本稿では,視覚深層学習における最先端技術を活用したトランスフォーマーモデルRadarFormerを提案する。
また、チャネルチャープ時マージモジュールを導入し、精度を損なうことなく、モデルのサイズと複雑さを10倍以上に削減する。
論文 参考訳（メタデータ） (2023-04-17T17:07:35Z) - NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for
Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。
ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文 参考訳（メタデータ） (2022-09-29T01:30:34Z) - ERASE-Net: Efficient Segmentation Networks for Automotive Radar Signals [13.035425992944543]
本稿では,効率的なレーダセグメンテーションネットワークであるERASE-Netを導入し,生のレーダ信号を意味的に分割する。
本手法は,最新技術(SOTA)と比較して,レーダセマンティックセグメンテーションタスクにおいて優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2022-09-26T18:23:22Z) - Complex-valued Convolutional Neural Networks for Enhanced Radar Signal
Denoising and Interference Mitigation [73.0103413636673]
本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。
CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
論文 参考訳（メタデータ） (2021-04-29T10:06:29Z) - LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar
Fusion [52.59664614744447]
本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。
自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
論文 参考訳（メタデータ） (2020-10-02T00:13:00Z) - RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。
我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。
RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文 参考訳（メタデータ） (2020-07-28T17:15:02Z)
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。