論文の概要: There and Back Again: Learning to Simulate Radar Data for Real-World
Applications
- arxiv url: http://arxiv.org/abs/2011.14389v1
- Date: Sun, 29 Nov 2020 15:49:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 10:49:32.972929
- Title: There and Back Again: Learning to Simulate Radar Data for Real-World
Applications
- Title(参考訳): 現実世界のアプリケーションのためのレーダーデータをシミュレートする学習
- Authors: Rob Weston, Oiwi Parker Jones and Ingmar Posner
- Abstract要約: 我々は、シミュレーションされた標高マップに基づいて忠実なレーダー観測を合成できるレーダセンサモデルを学ぶ。
我々は、不整合レーダの例から前方センサーモデルを学ぶための敵対的アプローチを採用する。
実環境におけるシミュレーションデータに基づいて純粋に訓練された下流セグメンテーションモデルを評価することにより,本手法の有効性を実証する。
- 参考スコア(独自算出の注目度): 21.995474023869388
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulating realistic radar data has the potential to significantly accelerate
the development of data-driven approaches to radar processing. However, it is
fraught with difficulty due to the notoriously complex image formation process.
Here we propose to learn a radar sensor model capable of synthesising faithful
radar observations based on simulated elevation maps. In particular, we adopt
an adversarial approach to learning a forward sensor model from unaligned radar
examples. In addition, modelling the backward model encourages the output to
remain aligned to the world state through a cyclical consistency criterion. The
backward model is further constrained to predict elevation maps from real radar
data that are grounded by partial measurements obtained from corresponding
lidar scans. Both models are trained in a joint optimisation. We demonstrate
the efficacy of our approach by evaluating a down-stream segmentation model
trained purely on simulated data in a real-world deployment. This achieves
performance within four percentage points of the same model trained entirely on
real data.
- Abstract(参考訳): 現実的なレーダデータのシミュレーションは、レーダ処理に対するデータ駆動アプローチの開発を著しく加速する可能性がある。
しかし、画像形成の過程が複雑であることから、難易度が高い。
本研究では,高度マップシミュレーションに基づく忠実なレーダ観測を合成可能なレーダセンサモデルを提案する。
特に,不整合レーダの例から前方センサモデルを学習するための対角的アプローチを採用する。
さらに、後方モデルのモデリングは、循環的一貫性基準を通じて出力を世界状態と一致させるように促す。
後方モデルはさらに、対応するlidarスキャンから得られた部分的な測定によって接地された実際のレーダーデータから標高マップを予測するために制約される。
どちらのモデルも共同最適化で訓練されている。
実環境におけるシミュレーションデータに基づいて純粋に訓練された下流セグメンテーションモデルを評価することにより,本手法の有効性を実証する。
これにより、実際のデータに基づいてトレーニングされた同じモデルの4パーセントのパフォーマンスが得られる。
関連論文リスト
- Radio Map Estimation -- An Open Dataset with Directive Transmitter
Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。
モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文 参考訳(メタデータ) (2024-01-12T14:56:45Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。
ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。
PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文 参考訳(メタデータ) (2023-08-31T16:26:17Z) - Super-Resolution Radar Imaging with Sparse Arrays Using a Deep Neural
Network Trained with Enhanced Virtual Data [0.4640835690336652]
本稿では,極薄レーダー開口部からのレーダデータを完全に処理できるディープニューラルネットワーク(DNN)に基づく手法を提案する。
提案したDNN処理は、エイリアスフリーレーダイメージングと超解像の両方を提供することができる。
完全に占有された配列で達成されるのとほぼ同じ解像度と画質を同時に提供する。
論文 参考訳(メタデータ) (2023-06-16T13:37:47Z) - Semantic Segmentation of Radar Detections using Convolutions on Point
Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。
このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。
我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2023-05-22T07:09:35Z) - 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) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳(メタデータ) (2022-09-22T13:12:54Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - RaLL: End-to-end Radar Localization on Lidar Map Using Differentiable
Measurement Model [14.155337185792279]
ライダーマップ(RaLL)上でのレーダローカライゼーションのためのエンドツーエンドディープラーニングフレームワークを提案する。
RaLLは成熟ライダーマッピング技術を利用しており、レーダマッピングのコストを低減している。
提案システムは,英国におけるモデルトレーニングの一般化シナリオにおいても,90km以上の運転性能を実現する。
論文 参考訳(メタデータ) (2020-09-15T13:13:38Z) - A Sensitivity Analysis Approach for Evaluating a Radar Simulation for
Virtual Testing of Autonomous Driving Functions [0.0]
レーダシミュレーションの開発と評価のための感度解析手法を提案する。
モジュラーレーダシステムのシミュレーションを提示・パラメータ化して感度解析を行う。
レーダモデルの出力と実走行の測定値を比較して,現実的なモデルの挙動を確かめる。
論文 参考訳(メタデータ) (2020-08-06T15:51:52Z)
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。