論文の概要: Deep Radar Inverse Sensor Models for Dynamic Occupancy Grid Maps

• arxiv url: http://arxiv.org/abs/2305.12409v3
• Date: Fri, 18 Oct 2024 19:29:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:14:12.431052
• Title: Deep Radar Inverse Sensor Models for Dynamic Occupancy Grid Maps
• Title（参考訳）: 動的機能グリッドマップのためのディープレーダ逆センサモデル
• Authors: Zihang Wei, Rujiao Yan, Matthias Schreier,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: To implement autonomous driving, one essential step is to model the vehicle environment based on the sensor inputs. Radars, with their well-known advantages, became a popular option to infer the occupancy state of grid cells surrounding the vehicle. To tackle data sparsity and noise of radar detections, we propose a deep learning-based Inverse Sensor Model (ISM) to learn the mapping from sparse radar detections to polar measurement grids. Improved lidar-based measurement grids are used as reference. The learned radar measurement grids, combined with radar Doppler velocity measurements, are further used to generate a Dynamic Grid Map (DGM). Experiments in real-world highway scenarios show that our approach outperforms the hand-crafted geometric ISMs. In comparison to state-of-the-art deep learning methods, our approach is the first one to learn a single-frame measurement grid in the polar scheme from radars with a limited Field Of View (FOV). The learning framework makes the learned ISM independent of the radar mounting. This enables us to flexibly use one or more radar sensors without network retraining and without requirements on 360{\deg} sensor coverage.
• Abstract（参考訳）: 自律運転を実現するためには、センサ入力に基づいて車両環境をモデル化することが重要なステップである。 レーダーは、そのよく知られた利点と共に、車両を取り巻くグリッドセルの占有状態を推測する一般的な選択肢となった。 レーダ検出におけるデータ空間の分散とノイズに対処するために,スパークレーダ検出から極性測定格子へのマッピングを学習するための深層学習に基づく逆センサモデル(ISM)を提案する。 改良されたライダーベースの測定グリッドが参照として使用される。 学習したレーダ測定グリッドとレーダドレーダ速度測定を組み合わせることで、動的グリッドマップ(DGM)を生成する。 実世界の高速道路のシナリオでの実験では、我々のアプローチは手作りの幾何学的ISMよりも優れていた。 最先端の深層学習法と比較して、我々のアプローチは、視野視野(FOV)に制限のあるレーダーから極性スキームの単一フレーム計測格子を学習する最初の方法である。 学習フレームワークは、学習したISMをレーダー搭載から独立させる。 これにより、ネットワークの再トレーニングや360{\deg}センサー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。

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)
• NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for Autonomous Driving [57.03126447713602]
  本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。 ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
  論文  参考訳（メタデータ） (2022-09-29T01:30:34Z)
• Deep Instance Segmentation with High-Resolution Automotive Radar [2.167586397005864]
  本稿では,レーダ検出点を用いた2つの効率的な分割法を提案する。 1つは、PointNet++フレームワークを使用してエンドツーエンドのディープラーニング駆動方式で実装されている。 もう一つは、セマンティック情報を用いたレーダー検出点のクラスタリングに基づいている。
  論文  参考訳（メタデータ） (2021-10-05T01:18:27Z)
• 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)
• 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)
• Probabilistic Oriented Object Detection in Automotive Radar [8.281391209717103]
  本稿では,レーダー物体検出のためのディープラーニングに基づくアルゴリズムを提案する。 我々は102544フレームの生レーダと同期LiDARデータを備えた新しいマルチモーダルデータセットを作成しました。 我々の最高性能レーダ検出モデルは、指向性IoU0.3で77.28%APを達成した。
  論文  参考訳（メタデータ） (2020-04-11T05:29:32Z)
• RSS-Net: Weakly-Supervised Multi-Class Semantic Segmentation with FMCW Radar [26.56755178602111]
  我々は、このタスクに使用される従来のセンサーよりも、より長い範囲で動作し、悪天候や照明条件に対してかなり堅牢なレーダーを提唱する。 RGBカメラやLiDARセンサーとレーダースキャンを関連付け,これまでに収集された最大の都市自治データセットを利用する。 本稿では,マルチチャンネル・レーダ・スキャン・インプットを用いて,短命でダイナミックなシーン・オブジェクトを扱うネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-02T11:40:26Z)
• Experiments with mmWave Automotive Radar Test-bed [10.006245521984697]
  新しいAdaptive Driver Assisted Systems(ADAS)をサポートするために、ミリ波(mmW)レーダーが商用車にますます統合されている。 テキサス・インスツルメンツ(TI)の自動車チップセットをベースとしたFMCWレーダの試作を行った。
  論文  参考訳（メタデータ） (2019-12-29T02:14:12Z)

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。