論文の概要: Deep Interference Mitigation and Denoising of Real-World FMCW Radar
Signals
- arxiv url: http://arxiv.org/abs/2012.02529v1
- Date: Fri, 4 Dec 2020 11:22:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 20:32:51.356936
- Title: Deep Interference Mitigation and Denoising of Real-World FMCW Radar
Signals
- Title(参考訳): 実世界FMCWレーダ信号の深部干渉緩和と雑音化
- Authors: Johanna Rock, Mate Toth, Paul Meissner, Franz Pernkopf
- Abstract要約: 実世界レーダ計測における干渉緩和のための畳み込みニューラルネットワーク(CNN)に基づくアプローチの評価を行った。
実測値と模擬干渉を組み合わせることで,モデルの学習に適した入力出力データを生成する。
- 参考スコア(独自算出の注目度): 16.748215232763517
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Radar sensors are crucial for environment perception of driver assistance
systems as well as autonomous cars. Key performance factors are a fine range
resolution and the possibility to directly measure velocity. With a rising
number of radar sensors and the so far unregulated automotive radar frequency
band, mutual interference is inevitable and must be dealt with. Sensors must be
capable of detecting, or even mitigating the harmful effects of interference,
which include a decreased detection sensitivity. In this paper, we evaluate a
Convolutional Neural Network (CNN)-based approach for interference mitigation
on real-world radar measurements. We combine real measurements with simulated
interference in order to create input-output data suitable for training the
model. We analyze the performance to model complexity relation on simulated and
measurement data, based on an extensive parameter search. Further, a finite
sample size performance comparison shows the effectiveness of the model trained
on either simulated or real data as well as for transfer learning. A
comparative performance analysis with the state of the art emphasizes the
potential of CNN-based models for interference mitigation and denoising of
real-world measurements, also considering resource constraints of the hardware.
- Abstract(参考訳): レーダセンサーは、運転支援システムや自動運転車の環境認識に不可欠である。
主な性能要因は、細かな範囲の解像度と、直接速度を測定する可能性である。
レーダーセンサーの数が増加し、これまでに規制されていない自動車レーダ周波数帯により、相互干渉は避けられず、対処されなければならない。
センサーは、検出感度の低下を含む干渉の有害な影響を検知、または緩和する能力を持つ必要がある。
本稿では,畳み込みニューラルネットワーク(CNN)を用いた干渉緩和手法について,実世界のレーダ計測で評価する。
実測値とシミュレーション干渉を組み合わせることで,モデルのトレーニングに適した入出力データを生成する。
本研究では,広範囲なパラメータ探索に基づいて,シミュレーションデータと計測データの複雑性関係をモデル化する性能解析を行う。
さらに、有限サンプルサイズ性能比較により、シミュレーションデータと実データの両方でトレーニングされたモデルの有効性と、転送学習の有効性を示す。
state of the artによる比較パフォーマンス分析では、ハードウェアのリソース制約も考慮し、実世界の計測の干渉緩和とノイズ除去のためのcnnベースのモデルの可能性を強調している。
関連論文リスト
- OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳(メタデータ) (2024-04-02T18:30:29Z) - End-to-End Training of Neural Networks for Automotive Radar Interference
Mitigation [9.865041274657823]
本稿では,周波数変調連続波(WFMC)レーダ相互干渉緩和のためのニューラルネットワーク(NN)のトレーニング手法を提案する。
NNが干渉されたレーダー信号をきれいにするために訓練する代わりに、NNをオブジェクト検出マップ上で直接訓練する。
我々は,レーダを用いた物体検出のアルゴリズムであるCA-CFARピーク検出器の連続的な緩和を行う。
論文 参考訳(メタデータ) (2023-12-15T13:47:16Z) - 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) - 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) - Deep Evaluation Metric: Learning to Evaluate Simulated Radar Point
Clouds for Virtual Testing of Autonomous Driving [0.0]
仮想テストのための環境センサモデルの使用は、自動運転のテスト労力を減らすための有望なアプローチです。
本研究では,ニューラルネットワークを訓練し,実際のレーダセンサデータとシミュレートしたレーダセンサデータを区別する。
本稿では,合成レーダデータの忠実度を決定する指標として,実レーダ点雲のクラスに対する分類器の信頼性スコアを提案する。
論文 参考訳(メタデータ) (2021-04-14T11:04:50Z) - On the benefits of robust models in modulation recognition [53.391095789289736]
畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。
画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。
最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-27T19:58:06Z) - Quantized Neural Networks for Radar Interference Mitigation [14.540226579203207]
CNNに基づくノイズ除去と干渉緩和のアプローチはレーダ処理に有望な結果をもたらす。
本稿では,CNNに基づくレーダ信号のノイズ除去と干渉緩和のための量子化手法について検討する。
論文 参考訳(メタデータ) (2020-11-25T13:18:06Z) - Automotive Radar Interference Mitigation with Unfolded Robust PCA based
on Residual Overcomplete Auto-Encoder Blocks [88.46770122522697]
自律走行では、レーダーシステムは道路上の他の車両のような標的を検出する上で重要な役割を果たす。
自動車用レーダー干渉緩和のための深層学習手法は、目標の振幅を確実に推定できるが、それぞれの目標の位相を回復できない。
干渉の有無で振幅と位相の両方を推定できる効率的かつ効率的な手法を提案する。
論文 参考訳(メタデータ) (2020-10-14T09:41:06Z) - 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) - Interferobot: aligning an optical interferometer by a reinforcement
learning agent [118.43526477102573]
我々は、単眼カメラで取得した縁の画像に基づいて、マッハ・ツェンダー干渉計を整列するようにRLエージェントを訓練する。
エージェントは、物理に関する手書きの特徴や事前情報なしで、シミュレーション環境で訓練される。
物理測定の不確かさをシミュレートする一連の領域ランダム化により、エージェントはこの干渉計を微調整なしで整列させることに成功した。
論文 参考訳(メタデータ) (2020-06-03T13:10:54Z)
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。