論文の概要: DeepHybrid: Deep Learning on Automotive Radar Spectra and Reflections
for Object Classification
- arxiv url: http://arxiv.org/abs/2202.08519v1
- Date: Thu, 17 Feb 2022 08:45:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-18 22:55:24.763929
- Title: DeepHybrid: Deep Learning on Automotive Radar Spectra and Reflections
for Object Classification
- Title(参考訳): DeepHybrid: 物体分類のための自動車レーダスペクトルと反射の深層学習
- Authors: Adriana-Eliza Cozma, Lisa Morgan, Martin Stolz, David Stoeckel, Kilian
Rambach
- Abstract要約: 本稿では,従来のレーダ信号処理とディープラーニングアルゴリズムを組み合わせた手法を提案する。
提案手法は, 自動緊急ブレーキや衝突回避システムの改善などに用いることができる。
- 参考スコア(独自算出の注目度): 0.5669790037378094
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Automated vehicles need to detect and classify objects and traffic
participants accurately. Reliable object classification using automotive radar
sensors has proved to be challenging. We propose a method that combines
classical radar signal processing and Deep Learning algorithms. The
range-azimuth information on the radar reflection level is used to extract a
sparse region of interest from the range-Doppler spectrum. This is used as
input to a neural network (NN) that classifies different types of stationary
and moving objects. We present a hybrid model (DeepHybrid) that receives both
radar spectra and reflection attributes as inputs, e.g. radar cross-section.
Experiments show that this improves the classification performance compared to
models using only spectra. Moreover, a neural architecture search (NAS)
algorithm is applied to find a resource-efficient and high-performing NN. NAS
yields an almost one order of magnitude smaller NN than the manually-designed
one while preserving the accuracy. The proposed method can be used for example
to improve automatic emergency braking or collision avoidance systems.
- Abstract(参考訳): 自動運転車は、オブジェクトと交通参加者を正確に検出し、分類する必要がある。
自動車用レーダーセンサーを用いた信頼性の高い物体分類は困難であることが判明した。
本稿では,従来のレーダー信号処理とディープラーニングアルゴリズムを組み合わせた手法を提案する。
レーダ反射レベルの範囲方位情報は、レンジドップラースペクトルから関心のあるスパース領域を抽出するために使用される。
これはニューラルネットワーク(NN)への入力として使用され、静止オブジェクトと移動オブジェクトの異なるタイプを分類する。
本研究では,レーダースペクトルと反射特性の両方を入力として受信するハイブリッドモデル(deephybrid)を提案する。
実験の結果,スペクトルのみを用いたモデルと比較して分類性能が向上した。
さらに、資源効率が高く高性能なNNを見つけるために、ニューラルネットワーク探索(NAS)アルゴリズムを適用した。
NASは、精度を保ちながら手作業で設計したNNよりも、ほぼ1桁小さいNNが得られる。
提案手法は,自動緊急ブレーキや衝突回避システムの改善などに用いることができる。
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) - 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) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - 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) - 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) - Deep Radar Inverse Sensor Models for Dynamic Occupancy Grid Maps [0.0]
本稿では,レーダー検出から極性測定格子へのマッピングを学習するために,深層学習に基づく逆センサモデル(ISM)を提案する。
私たちのアプローチは、視野の限られたレーダーから極性スキームで1フレームの計測グリッドを学習する最初の方法です。
これにより、ネットワークの再トレーニングや360度センサのカバレッジの必要なしに、1つ以上のレーダーセンサーを柔軟に使用することが可能になります。
論文 参考訳(メタデータ) (2023-05-21T09:09:23Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳(メタデータ) (2022-03-28T20:29:50Z) - Multi-View Radar Semantic Segmentation [3.2093811507874768]
自動車用レーダーは、周囲の物体の特性を測定する安価なアクティブセンサーである。
レーダー生データのサイズと複雑さのため、シーン理解にはほとんど使われない。
我々は,複数の新しいアーキテクチャとそれに伴う損失を提案し,レンジアングル・ドップラーレーダテンソルの複数の"ビュー"を分析し,意味的にセグメンテーションする。
論文 参考訳(メタデータ) (2021-03-30T09:56:41Z) - DeepReflecs: Deep Learning for Automotive Object Classification with
Radar Reflections [0.7251305766151019]
この方法は、歩行者、サイクリスト、車、または非障害物などのオブジェクトクラス情報を提供する。
これは、手作り特徴の低パフォーマンス手法と畳み込みニューラルネットワークを用いた高パフォーマンス手法とのギャップを埋める。
アブレーション研究は、提案したグローバルコンテキスト層の影響を分析する。
論文 参考訳(メタデータ) (2020-10-19T07:35:51Z) - 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。