論文の概要: Radar Occupancy Prediction with Lidar Supervision while Preserving
Long-Range Sensing and Penetrating Capabilities
- arxiv url: http://arxiv.org/abs/2112.04282v1
- Date: Wed, 8 Dec 2021 13:38:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-09 15:23:12.739669
- Title: Radar Occupancy Prediction with Lidar Supervision while Preserving
Long-Range Sensing and Penetrating Capabilities
- Title（参考訳）: 長距離センシングと貫通能力を維持したlidar監視によるレーダー占有率予測
- Authors: Pou-Chun Kung, Chieh-Chih Wang, Wen-Chieh Lin
- Abstract要約: 近年,レーダー画像における自由空間と占有空間の分類において,ライダーラベルの監督を生かして大きな進歩を遂げている。
結果のセンシング距離はライダーのセンシング範囲によって制限される。
ライダーから見える物はレーダーには見えず、ライダースキャンに隠された物はレーダーの透過能力のためにレーダー画像で見ることができる。
- 参考スコア（独自算出の注目度）: 10.133923613929575
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radar shows great potential for autonomous driving by accomplishing
long-range sensing under diverse weather conditions. But radar is also a
particularly challenging sensing modality due to the radar noises. Recent works
have made enormous progress in classifying free and occupied spaces in radar
images by leveraging lidar label supervision. However, there are still several
unsolved issues. Firstly, the sensing distance of the results is limited by the
sensing range of lidar. Secondly, the performance of the results is degenerated
by lidar due to the physical sensing discrepancies between the two sensors. For
example, some objects visible to lidar are invisible to radar, and some objects
occluded in lidar scans are visible in radar images because of the radar's
penetrating capability. These sensing differences cause false positive and
penetrating capability degeneration, respectively.
In this paper, we propose training data preprocessing and polar sliding
window inference to solve the issues. The data preprocessing aims to reduce the
effect caused by radar-invisible measurements in lidar scans. The polar sliding
window inference aims to solve the limited sensing range issue by applying a
near-range trained network to the long-range region. Instead of using common
Cartesian representation, we propose to use polar representation to reduce the
shape dissimilarity between long-range and near-range data. We find that
extending a near-range trained network to long-range region inference in the
polar space has 4.2 times better IoU than in Cartesian space. Besides, the
polar sliding window inference can preserve the radar penetrating capability by
changing the viewpoint of the inference region, which makes some occluded
measurements seem non-occluded for a pretrained network.
- Abstract（参考訳）: レーダーは、様々な気象条件下で長距離センシングを行うことで、自律走行の可能性を示す。
しかしレーダーは、レーダーノイズによるモダリティの検知も特に難しい。
近年,レーダー画像における自由空間と占有空間の分類において,ライダーラベルの監督を生かして大きな進歩を遂げている。
しかし、未解決の問題もいくつかある。
まず、ライダーのセンシング範囲によって結果のセンシング距離が制限される。
第2に,2つのセンサ間の物理的なセンサの差により,ライダーにより性能が劣化する。
例えば、ライダーから見える物はレーダーには見えず、ライダースキャンに隠された物はレーダーの透過能力のためにレーダー画像で見ることができる。
これらのセンシングの違いは、それぞれ偽陽性と侵入能力の低下を引き起こす。
本稿では,この問題を解決するために,トレーニングデータ前処理と極性スライディングウィンドウ推論を提案する。
データプリプロセッシングは、lidarスキャンにおけるレーダー不可視測定による効果を低減することを目的としている。
極性スライディングウィンドウ推論は、長距離領域に近距離訓練ネットワークを適用することにより、限られたセンシング範囲の問題を解決することを目的としている。
一般的なカルト表現の代わりに、極性表現を用いて長距離データと近距離データの形状の相違を低減することを提案する。
極空間における長距離領域推定への近距離訓練ネットワークの拡張は、カルテシアン空間の4.2倍のIoUを持つことがわかった。
さらに、偏光窓の推測は、推定領域の視点を変えることで、レーダーの透過性を保ち得るため、事前訓練されたネットワークでは観測できないように見える。
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) - 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) - 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) - Pointillism: Accurate 3D bounding box estimation with multi-radars [6.59119432945925]
我々は、複数の空間的に分離されたレーダーからのデータと、これらの問題を緩和するための最適な分離を結合するシステムであるPointillismを紹介する。
本稿では,レーダのスパースデータ分布を明示的に設計した新しいディープラーニングアーキテクチャRP-netの設計を行い,高精度な3次元境界ボックス推定を実現する。
論文 参考訳（メタデータ） (2022-03-08T23:09:58Z) - Anomaly Detection in Radar Data Using PointNets [7.3600716208089825]
異常なレーダーターゲットを検出するために,PointNetsに基づく手法を提案する。
本手法は都市シナリオにおける実世界のデータセットを用いて評価する。
論文 参考訳（メタデータ） (2021-09-20T10:02:24Z) - 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) - Radar Artifact Labeling Framework (RALF): Method for Plausible Radar
Detections in Datasets [2.5899040911480187]
粗いレーダ点雲のラベル付けのためのクロスセンサレーダアーチファクトラベルフレームワーク(RALF)を提案する。
RALFは、レーダーの生検出のための可視性ラベルを提供し、アーティファクトとターゲットを区別する。
半手動ラベル付き地上真理データセットの3.28cdot106$ポイントの誤差測定値を評価することにより,結果を検証する。
論文 参考訳（メタデータ） (2020-12-03T15:11:31Z) - 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) - Estimating the Magnitude and Phase of Automotive Radar Signals under
Multiple Interference Sources with Fully Convolutional Networks [22.081568892330996]
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。
論文 参考訳（メタデータ） (2020-08-11T18:50:38Z) - 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。