論文の概要: Radarize: Large-Scale Radar SLAM for Indoor Environments
- arxiv url: http://arxiv.org/abs/2311.11260v1
- Date: Sun, 19 Nov 2023 07:47:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-21 21:22:57.162664
- Title: Radarize: Large-Scale Radar SLAM for Indoor Environments
- Title（参考訳）: Radarize:屋内環境のための大規模レーダーSLAM
- Authors: Emerson Sie, Xinyu Wu, Heyu Guo, Deepak Vasisht
- Abstract要約: 我々は、低コストのコモディティ単一チップmmWaveレーダのみを使用する屋内環境のための自己完結SLAMパイプラインであるRadarizeを提案する。
本手法は,4つのキャンパス建物にまたがる146件の大規模トラジェクトリのデータセットを用いて,約4680mの走行距離で評価した。
以上の結果から,本手法は計測値の約5倍,エンド・ツー・エンドSLAMの約8倍の精度で,最先端のレーダベース手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 10.291267549773053
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present Radarize, a self-contained SLAM pipeline for indoor environments
that uses only a low-cost commodity single-chip mmWave radar. Our radar-native
approach leverages phenomena unique to radio frequencies, such as doppler
shift-based odometry, to improve performance. We evaluate our method on a
large-scale dataset of 146 trajectories spanning 4 campus buildings, totaling
approximately 4680m of travel distance. Our results show that our method
outperforms state-of-the-art radar-based approaches by approximately 5x in
terms of odometry and 8x in terms of end-to-end SLAM, as measured by absolute
trajectory error (ATE), without the need additional sensors such as IMUs or
wheel odometry.
- Abstract（参考訳）: 我々は、低コストのコモディティ単一チップmmWaveレーダのみを使用する屋内環境のための自己完結SLAMパイプラインであるRadarizeを提案する。
レーダネイティブアプローチでは,ドップラーシフトに基づくオドメトリなどの電波周波数特有の現象を利用して,性能を向上させる。
本手法は,4つのキャンパス建物にまたがる146件の大規模トラジェクトリデータセットを用いて,約4680mの走行距離で評価した。
以上の結果から,IMUやホイール・オドメトリーなどのセンサを必要とせず,絶対軌道誤差 (ATE) を用いて計測し, 計測精度を約5倍, SLAMの約8倍に向上することがわかった。
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) - MVFAN: Multi-View Feature Assisted Network for 4D Radar Object Detection [15.925365473140479]
4Dレーダーは、悪天候下での弾力性と費用対効果が認められている。
LiDARやカメラとは異なり、レーダーは厳しい気象条件で損傷を受けないままである。
本稿では,自律走行車のためのレーダーによる3次元物体検出手法を提案する。
論文 参考訳（メタデータ） (2023-10-25T06:10:07Z) - 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) - Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object
Detection [78.59426158981108]
この課題に対処し、動的オブジェクトの3D検出を改善するために、双方向LiDAR-Radar融合フレームワーク、Bi-LRFusionを導入する。
我々はnuScenesとORRデータセットに関する広範な実験を行い、我々のBi-LRFusionが動的オブジェクトを検出するための最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-06-02T10:57:41Z) - 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。