論文の概要: Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation

• arxiv url: http://arxiv.org/abs/2105.00929v1
• Date: Thu, 29 Apr 2021 10:06:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 13:47:59.686079
• Title: Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation
• Title（参考訳）: 複素数値畳み込みニューラルネットワークによる高次レーダ信号分解と干渉緩和
• Authors: Alexander Fuchs, Johanna Rock, Mate Toth, Paul Meissner, Franz Pernkopf
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 73.0103413636673
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Autonomous driving highly depends on capable sensors to perceive the environment and to deliver reliable information to the vehicles' control systems. To increase its robustness, a diversified set of sensors is used, including radar sensors. Radar is a vital contribution of sensory information, providing high resolution range as well as velocity measurements. The increased use of radar sensors in road traffic introduces new challenges. As the so far unregulated frequency band becomes increasingly crowded, radar sensors suffer from mutual interference between multiple radar sensors. This interference must be mitigated in order to ensure a high and consistent detection sensitivity. In this paper, we propose the use of Complex-Valued Convolutional Neural Networks (CVCNNs) to address the issue of mutual interference between radar sensors. We extend previously developed methods to the complex domain in order to process radar data according to its physical characteristics. This not only increases data efficiency, but also improves the conservation of phase information during filtering, which is crucial for further processing, such as angle estimation. Our experiments show, that the use of CVCNNs increases data efficiency, speeds up network training and substantially improves the conservation of phase information during interference removal.
• Abstract（参考訳）: 自律運転は、環境を認識し、車両の制御システムに信頼できる情報を提供する能力のあるセンサーに大きく依存する。 堅牢性を高めるために、レーダーセンサーを含む多様なセンサーセットが使用される。 レーダーは感覚情報の重要な貢献であり、高分解能範囲と速度測定を提供する。 道路交通におけるレーダーセンサーの利用の増加は、新たな課題をもたらす。 これまでの規制のない周波数帯域がますます混雑するにつれて、レーダーセンサーは複数のレーダーセンサー間の相互干渉に苦しむ。 この干渉は、高いかつ一貫した検出感度を確保するために緩和されなければならない。 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,複素値畳み込みニューラルネットワーク(CVCNN)を提案する。 従来開発された手法を複素領域に拡張して,その物理特性に応じてレーダデータを処理する。 これによりデータ効率が向上するだけでなく、アングル推定などのさらなる処理に欠かせないフィルタリング時の位相情報の保存も向上する。 実験の結果,CVCNNはデータ効率を向上し,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ことがわかった。

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)
• Exploring Radar Data Representations in Autonomous Driving: A Comprehensive Review [9.68427762815025]
  レビューでは、自律運転システムで使用されるさまざまなレーダーデータ表現の探索に焦点を当てている。 レーダセンサの機能と限界について紹介する。 各レーダ表現について、関連するデータセット、方法、利点、限界について検討する。
  論文  参考訳（メタデータ） (2023-12-08T06:31:19Z)
• TransRadar: Adaptive-Directional Transformer for Real-Time Multi-View Radar Semantic Segmentation [21.72892413572166]
  本稿では,レーダデータの多入力融合を用いたレーダシーンのセマンティックセマンティックセマンティクスへの新しいアプローチを提案する。 提案手法であるTransRadarは,CARRADAとRADIalのデータセット上で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-10-03T17:59:05Z)
• 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)
• 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)
• Coherent, super resolved radar beamforming using self-supervised learning [0.0]
  自己スーパービジョン(R2-S2)を用いたレーダ信号再構成は、物理チャネルの数を増やすことなく、所定のレーダアレイの角分解能を著しく向上させる。 R2-S2は、DNN(Deep Neural Network)と複雑なレンジドップラーレーダーデータを入力として使用し、自己教師された方法で訓練するアルゴリズムのファミリーである。 都市部と高速道路の環境下で収集した実世界のデータセットを用いて,角分解能の4倍の改善を実証した。
  論文  参考訳（メタデータ） (2021-06-21T16:59:55Z)
• 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)
• 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。