論文の概要: Exploiting Temporal Relations on Radar Perception for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2204.01184v1
- Date: Sun, 3 Apr 2022 23:52:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-05 15:28:52.565048
- Title: Exploiting Temporal Relations on Radar Perception for Autonomous Driving
- Title（参考訳）: 自律走行におけるレーダー知覚の時間的関係
- Authors: Peizhao Li, Pu Wang, Karl Berntorp, Hongfu Liu
- Abstract要約: 我々は、連続するエゴ中心の鳥眼視レーダー画像フレームからの時間情報をレーダオブジェクト認識に活用する。
本研究では,連続するレーダ画像内の物体間の関係を明示的にモデル化する時間関係層を提案する。
- 参考スコア（独自算出の注目度）: 26.736501544682294
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We consider the object recognition problem in autonomous driving using
automotive radar sensors. Comparing to Lidar sensors, radar is cost-effective
and robust in all-weather conditions for perception in autonomous driving.
However, radar signals suffer from low angular resolution and precision in
recognizing surrounding objects. To enhance the capacity of automotive radar,
in this work, we exploit the temporal information from successive ego-centric
bird-eye-view radar image frames for radar object recognition. We leverage the
consistency of an object's existence and attributes (size, orientation, etc.),
and propose a temporal relational layer to explicitly model the relations
between objects within successive radar images. In both object detection and
multiple object tracking, we show the superiority of our method compared to
several baseline approaches.
- Abstract（参考訳）: 自動車用レーダセンサを用いた自律走行における物体認識問題を考える。
Lidarセンサーと比較すると、レーダーは費用対効果が高く、全天候条件下では自律運転の認識に堅牢である。
しかし、レーダー信号は角度分解能の低下と周囲の物体の認識精度に苦しむ。
本研究では,自動車用レーダーの能力を高めるために,連続するエゴ中心の鳥眼視レーダー画像フレームからの時間情報を利用してレーダ物体認識を行う。
我々は、オブジェクトの存在と属性(サイズ、向きなど)の整合性を活用し、連続するレーダ画像内のオブジェクト間の関係を明示的にモデル化する時間的関係層を提案する。
オブジェクト検出と複数オブジェクト追跡の両方において,複数のベースライン手法と比較して,本手法の優位性を示す。
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) - Bootstrapping Autonomous Driving Radars with Self-Supervised Learning [13.13679517730015]
レーダモデルの訓練は、大規模レーダデータの注釈付けのコストと難しさによって妨げられている。
本研究では,未ラベルのレーダデータを事前学習型レーダのみの埋め込みに活用して,自律型認識タスクを実現するための自己教師型学習フレームワークを提案する。
下流オブジェクト検出に使用する場合、提案するセルフスーパービジョンフレームワークが、最先端の教師付きベースラインの精度をmAPで5.8%向上できることを実証する。
論文 参考訳（メタデータ） (2023-12-07T18:38:39Z) - 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) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:57:03Z) - 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) - 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。