論文の概要: Fast Rule-Based Clutter Detection in Automotive Radar Data
- arxiv url: http://arxiv.org/abs/2108.12224v1
- Date: Fri, 27 Aug 2021 11:32:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-30 14:05:50.471844
- Title: Fast Rule-Based Clutter Detection in Automotive Radar Data
- Title（参考訳）: 自動車レーダデータにおける高速ルールベースクラッタ検出
- Authors: Johannes Kopp, Dominik Kellner, Aldi Piroli, Klaus Dietmayer
- Abstract要約: 自動車用レーダーセンサーは、多くの不要なクラッタやゴースト検出を出力する。
乱雑な検出は、複数の連続測定でグループや同様の場所で起こる。
このような誤検出を識別する新しいアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 10.379073531824456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automotive radar sensors output a lot of unwanted clutter or ghost
detections, whose position and velocity do not correspond to any real object in
the sensor's field of view. This poses a substantial challenge for environment
perception methods like object detection or tracking. Especially problematic
are clutter detections that occur in groups or at similar locations in multiple
consecutive measurements. In this paper, a new algorithm for identifying such
erroneous detections is presented. It is mainly based on the modeling of
specific commonly occurring wave propagation paths that lead to clutter. In
particular, the three effects explicitly covered are reflections at the
underbody of a car or truck, signals traveling back and forth between the
vehicle on which the sensor is mounted and another object, and multipath
propagation via specular reflection. The latter often occurs near guardrails,
concrete walls or similar reflective surfaces. Each of these effects is
described both theoretically and regarding a method for identifying the
corresponding clutter detections. Identification is done by analyzing
detections generated from a single sensor measurement only. The final algorithm
is evaluated on recordings of real extra-urban traffic. For labeling, a
semi-automatic process is employed. The results are promising, both in terms of
performance and regarding the very low execution time. Typically, a large part
of clutter is found, while only a small ratio of detections corresponding to
real objects are falsely classified by the algorithm.
- Abstract（参考訳）: 自動車用レーダセンサーは、不必要なクラッタやゴースト検出を多く出力し、その位置や速度はセンサーの視野内の実際の物体とは一致しない。
これは、オブジェクトの検出や追跡といった環境認識手法に重大な課題をもたらす。
特に問題なのは、複数の連続測定でグループや同様の場所で発生する乱雑な検出である。
本稿では,そのような誤検出を識別する新しいアルゴリズムを提案する。
主に、クラッタにつながる特定の一般的な波伝播経路のモデル化に基づいている。
特に、明示的にカバーされた3つの効果は、車またはトラックの下部の反射、センサーが装着された車両と他の物体の間を行き来する信号、およびスペクトル反射によるマルチパス伝搬である。
後者はしばしばガードレール、コンクリート壁、または同様の反射面の近くで起こる。
これらの効果は、理論上、および対応するクラッタ検出を同定する方法の両方について記述される。
識別は、単一のセンサ計測のみから発生する検出を解析することによって行われる。
最終アルゴリズムは実際の都市外交通の記録に基づいて評価される。
ラベル付けには半自動プロセスが使用される。
その結果は、パフォーマンスと非常に低い実行時間の両方において有望である。
通常、クラッタの大部分は発見されるが、実際のオブジェクトに対応する検出の割合は、アルゴリズムによって誤って分類される。
関連論文リスト
- Learning 3D Perception from Others' Predictions [64.09115694891679]
本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。
例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
論文 参考訳（メタデータ） (2024-10-03T16:31:28Z) - Multi-Object Tracking based on Imaging Radar 3D Object Detection [0.13499500088995461]
本稿では,古典的追跡アルゴリズムを用いて,周囲の交通参加者を追跡する手法を提案する。
学習に基づく物体検出器はライダーとカメラのデータに適切に対応し、学習に基づく物体検出器は標準のレーダーデータ入力により劣っていることが示されている。
レーダセンサ技術の改良により、レーダの物体検出性能は大幅に改善されたが、レーダ点雲の広さによりライダーセンサに制限されている。
追跡アルゴリズムは、一貫したトラックを生成しながら、限られた検出品質を克服しなければならない。
論文 参考訳（メタデータ） (2024-06-03T05:46:23Z) - Fairness in Autonomous Driving: Towards Understanding Confounding Factors in Object Detection under Challenging Weather [7.736445799116692]
本研究では,最先端の変圧器を用いた物体検出装置において,歩行者の公正さを実証的に分析する。
古典的メトリクスに加えて,オブジェクト検出の様々な複雑な特性を測定するために,新しい確率ベースのメトリクスを導入する。
筆者らによる定量的分析では、現場の人口分布、天気の重大さ、歩行者のAV接近など、これまで見過ごされていた直感的な要因が、物体検出性能にどのように影響しているかを明らかにした。
論文 参考訳（メタデータ） (2024-05-31T22:35:10Z) - The Radar Ghost Dataset -- An Evaluation of Ghost Objects in Automotive Radar Data [12.653873936535149]
典型的な交通シナリオでは、レーダーの放射された信号に対して、さらに多くの表面が平坦に見える。
この結果、レーダー信号のマルチパス反射、いわゆるゴースト検出が生じる。
各種のゴースト検出のための詳細な手動アノテーションを用いたデータセットを提案する。
論文 参考訳（メタデータ） (2024-04-01T19:20:32Z) - Simultaneous Clutter Detection and Semantic Segmentation of Moving
Objects for Automotive Radar Data [12.96486891333286]
レーダセンサは、自動運転車の環境認識システムにおいて重要な部分である。
レーダーポイント雲の処理における最初のステップの1つは、しばしば乱れの検出である。
もう一つの一般的な目的は、移動道路利用者のセマンティックセグメンテーションである。
我々は,RadarScenesデータセットのセマンティックセマンティックセグメンテーションにおいて,我々の設定が極めて効果的であることを示し,既存のネットワークよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-13T11:29:38Z) - Zone Evaluation: Revealing Spatial Bias in Object Detection [69.59295428233844]
物体検出器の基本的限界は、それらが「空間バイアス」に苦しむことである。
本稿では,ゾーン間の検出性能を計測する新しいゾーン評価プロトコルを提案する。
初めて数値的な結果が得られ、対象検出器はゾーンにわたって非常に不均一に機能することを示した。
論文 参考訳（メタデータ） (2023-10-20T01:44:49Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - Tackling Clutter in Radar Data -- Label Generation and Detection Using
PointNet++ [10.113809521379022]
クラッタを識別するための2つの新しいニューラルネットワーク構成を提案する。
入力データ、ネットワークアーキテクチャ、トレーニング設定は、このタスクのために特別に調整される。
オブジェクトアノテーションで既存のデータに適用し、そのコードをリリースすることで、我々は、初めて利用可能なレーダークラッタデータセットを効果的に作成する。
論文 参考訳（メタデータ） (2023-03-16T17:46:32Z) - Bandit Quickest Changepoint Detection [55.855465482260165]
すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。
有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。
本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
論文 参考訳（メタデータ） (2021-07-22T07:25:35Z) - FMODetect: Robust Detection and Trajectory Estimation of Fast Moving
Objects [110.29738581961955]
高速移動物体の検出と軌道推定のための最初の学習ベースアプローチを提案する。
提案手法は, 高速移動物体を軌道への切り離された距離関数として検出する。
シャープな外観推定のために,エネルギー最小化に基づくデブロワーリングを提案する。
論文 参考訳（メタデータ） (2020-12-15T11:05:34Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳（メタデータ） (2020-11-17T09:39:42Z)
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。