論文の概要: Automated Algorithm Selection for Radar Network Configuration
- arxiv url: http://arxiv.org/abs/2205.03670v1
- Date: Sat, 7 May 2022 15:28:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 17:32:53.391499
- Title: Automated Algorithm Selection for Radar Network Configuration
- Title(参考訳): レーダネットワーク構成のための自動アルゴリズム選択
- Authors: Quentin Renau, Johann Dreo, Alain Peres, Yann Semet, Carola Doerr,
Benjamin Doerr
- Abstract要約: レーダーネットワークの構成は、専門家がしばしば手動で行う複雑な問題である。
本研究では、153radarネットワーク構成問題インスタンス上での13ブラックボックス最適化アルゴリズムの性能について検討する。
その結果、地形の標高からインスタンスの特徴を抽出するパイプラインは、古典的ではるかに高価なアプローチと同等に機能することを示した。
- 参考スコア(独自算出の注目度): 7.036630384550406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The configuration of radar networks is a complex problem that is often
performed manually by experts with the help of a simulator. Different numbers
and types of radars as well as different locations that the radars shall cover
give rise to different instances of the radar configuration problem. The exact
modeling of these instances is complex, as the quality of the configurations
depends on a large number of parameters, on internal radar processing, and on
the terrains on which the radars need to be placed. Classic optimization
algorithms can therefore not be applied to this problem, and we rely on
"trial-and-error" black-box approaches.
In this paper, we study the performances of 13~black-box optimization
algorithms on 153~radar network configuration problem instances. The algorithms
perform considerably better than human experts. Their ranking, however, depends
on the budget of configurations that can be evaluated and on the elevation
profile of the location. We therefore also investigate automated algorithm
selection approaches. Our results demonstrate that a pipeline that extracts
instance features from the elevation of the terrain performs on par with the
classical, far more expensive approach that extracts features from the
objective function.
- Abstract(参考訳): レーダーネットワークの構成は複雑な問題であり、シミュレータの助けを借りて専門家が手動で行うことが多い。
レーダの数や種類、およびレーダがカバーすべき異なる位置は、レーダ構成の問題の異なる事例を引き起こす。
これらのインスタンスの正確なモデリングは複雑であり、構成の質は、多数のパラメータ、内部レーダー処理、レーダーを配置する必要がある地形に依存する。
したがって、古典的な最適化アルゴリズムはこの問題には適用できず、我々は「試行錯誤」ブラックボックスアプローチに依存している。
本稿では,ネットワーク構成問題インスタンスにおける13~ブラックボックス最適化アルゴリズムの性能について検討する。
アルゴリズムは人間の専門家よりかなり優れている。
しかし、それらのランキングは、評価可能な構成の予算と、位置の標高プロファイルに依存する。
また,自動アルゴリズム選択手法についても検討する。
その結果,地形の標高からインスタンスの特徴を抽出するパイプラインは,目的関数から特徴を抽出する古典的,はるかに高価なアプローチと同等に動作することがわかった。
関連論文リスト
- 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) - Identifying Coordination in a Cognitive Radar Network -- A
Multi-Objective Inverse Reinforcement Learning Approach [30.65529797672378]
本稿では,レーダ間のコーディネーションを検出するために,新しい多目的逆強化学習手法を提案する。
また、多目的最適化システムの逆検出と学習に関するより一般的な問題にも適用できる。
論文 参考訳(メタデータ) (2022-11-13T17:27:39Z) - Unsupervised Domain Adaptation across FMCW Radar Configurations Using
Margin Disparity Discrepancy [17.464353263281907]
本研究では、ディープラーニングの人間活動分類の文脈において、レーダー構成にまたがる非教師なし領域適応の問題を考える。
我々は、コンピュータビジョンの分野ですでに成功している、Margin Disparity Discrepancyの理論に触発されたテクニックに焦点を当てた。
我々の実験は、この手法をレーダーデータに拡張し、同じ分類問題に対する少数ショット教師付きアプローチに匹敵する精度を達成した。
論文 参考訳(メタデータ) (2022-03-09T09:11:06Z) - DeepHybrid: Deep Learning on Automotive Radar Spectra and Reflections
for Object Classification [0.5669790037378094]
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。
論文 参考訳(メタデータ) (2022-02-17T08:45:11Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳(メタデータ) (2021-11-17T21:48:31Z) - MRDet: A Multi-Head Network for Accurate Oriented Object Detection in
Aerial Images [51.227489316673484]
水平アンカーから変換された指向性提案を生成するために、任意指向領域提案ネットワーク(AO-RPN)を提案する。
正確なバウンディングボックスを得るために,検出タスクを複数のサブタスクに分離し,マルチヘッドネットワークを提案する。
各ヘッドは、対応するタスクに最適な特徴を学習するために特別に設計されており、ネットワークがオブジェクトを正確に検出することができる。
論文 参考訳(メタデータ) (2020-12-24T06:36:48Z) - 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) - Adversarial Radar Inference: Inverse Tracking, Identifying Cognition and
Designing Smart Interference [15.04540534703128]
本稿では,認知レーダを含む3つの対向的推論問題について考察する。
まず、レーダの逆追跡について議論し、レーダの動作に基づいて敵の予測を推定し、レーダの知覚精度を校正する。
第二に、マイクロ経済学からの選好を明らかにすることによって、認知レーダが信号処理制約のある制約付きユーティリティ最大化器であるかどうかを判定するために、非パラメトリック試験を定式化する。
論文 参考訳(メタデータ) (2020-08-01T13:17:07Z) - 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。