論文の概要: Pointillism: Accurate 3D bounding box estimation with multi-radars

• arxiv url: http://arxiv.org/abs/2203.04440v1
• Date: Tue, 8 Mar 2022 23:09:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-11 06:08:33.531876
• Title: Pointillism: Accurate 3D bounding box estimation with multi-radars
• Title（参考訳）: ポジリリズム:マルチレーダを用いた高精度3次元境界ボックス推定
• Authors: Kshitiz Bansal, Keshav Rungta, Siyuan Zhu, Dinesh Bharadia
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.59119432945925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous perception requires high-quality environment sensing in the form of 3D bounding boxes of dynamic objects. The primary sensors used in automotive systems are light-based cameras and LiDARs. However, they are known to fail in adverse weather conditions. Radars can potentially solve this problem as they are barely affected by adverse weather conditions. However, specular reflections of wireless signals cause poor performance of radar point clouds. We introduce Pointillism, a system that combines data from multiple spatially separated radars with an optimal separation to mitigate these problems. We introduce a novel concept of Cross Potential Point Clouds, which uses the spatial diversity induced by multiple radars and solves the problem of noise and sparsity in radar point clouds. Furthermore, we present the design of RP-net, a novel deep learning architecture, designed explicitly for radar's sparse data distribution, to enable accurate 3D bounding box estimation. The spatial techniques designed and proposed in this paper are fundamental to radars point cloud distribution and would benefit other radar sensing applications.
• Abstract（参考訳）: 自律的な知覚は、動的物体の3次元境界ボックスという形で高品質な環境センシングを必要とする。 自動車システムで使用される主なセンサーは、光ベースのカメラとLiDARである。 しかし、悪天候下では故障することが知られている。 レーダーは悪天候の影響がほとんどないため、この問題を解決できる可能性がある。 しかし、無線信号のスペクトル反射はレーダー点雲の性能を低下させる。 本研究では,複数の空間分離レーダからのデータと最適な分離を組み合わせるシステムであるpointillismを提案する。 本研究では,複数のレーダによる空間的多様性を生かして,レーダ点雲のノイズやスパーシティの問題を解消する,クロスポテンシャル点雲の新たな概念を提案する。 さらに,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,正確な3次元境界ボックス推定を実現する。 本論文で提案した空間的手法は,レーダー点雲分布の基本であり,他のレーダセンシング応用に有用である。

関連論文リスト

• RadarOcc: Robust 3D Occupancy Prediction with 4D Imaging Radar [15.776076554141687]
  3D占有に基づく知覚パイプラインは、かなり進歩した自律運転を持つ。 現在の方法では、LiDARやカメラの入力を3D占有率予測に頼っている。 本稿では,4次元イメージングレーダセンサを用いた3次元占有予測手法を提案する。
  論文  参考訳（メタデータ） (2024-05-22T21:48:17Z)
• 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)
• Diffusion-Based Point Cloud Super-Resolution for mmWave Radar Data [8.552647576661174]
  ミリ波レーダセンサは、環境条件下では安定した性能を維持している。 レーダー点雲は比較的希薄で、巨大なゴーストポイントを含んでいる。 本稿では3次元ミリ波レーダデータに対する新しい点雲超解像法,Radar-diffusionを提案する。
  論文  参考訳（メタデータ） (2024-04-09T04:41:05Z)
• 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)
• Radar Occupancy Prediction with Lidar Supervision while Preserving Long-Range Sensing and Penetrating Capabilities [10.133923613929575]
  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。
  論文  参考訳（メタデータ） (2021-12-08T13:38:58Z)
• 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)
• 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。