論文の概要: Cooperation and Federation in Distributed Radar Point Cloud Processing

• arxiv url: http://arxiv.org/abs/2405.01995v1
• Date: Fri, 3 May 2024 10:50:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-06 13:15:51.306828
• Title: Cooperation and Federation in Distributed Radar Point Cloud Processing
• Title（参考訳）: 分散レーダポイントクラウド処理におけるコラボレーションとフェデレーション
• Authors: S. Savazzi, V. Rampa, S. Kianoush, A. Minora, L. Costa,
• Abstract要約: 本稿では、協調機構に関するレーダフェデレーションの利点を定量化し、比較する。 一方、協調は平均絶対目標推定誤差を約20%削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The paper considers the problem of human-scale RF sensing utilizing a network of resource-constrained MIMO radars with low range-azimuth resolution. The radars operate in the mmWave band and obtain time-varying 3D point cloud (PC) information that is sensitive to body movements. They also observe the same scene from different views and cooperate while sensing the environment using a sidelink communication channel. Conventional cooperation setups allow the radars to mutually exchange raw PC information to improve ego sensing. The paper proposes a federation mechanism where the radars exchange the parameters of a Bayesian posterior measure of the observed PCs, rather than raw data. The radars act as distributed parameter servers to reconstruct a global posterior (i.e., federated posterior) using Bayesian tools. The paper quantifies and compares the benefits of radar federation with respect to cooperation mechanisms. Both approaches are validated by experiments with a real-time demonstration platform. Federation makes minimal use of the sidelink communication channel (20 {\div} 25 times lower bandwidth use) and is less sensitive to unresolved targets. On the other hand, cooperation reduces the mean absolute target estimation error of about 20%.
• Abstract（参考訳）: 資源制約されたMIMOレーダのネットワークを低域方位分解能で利用した人体規模RFセンシングの問題点を考察する。 レーダーはmmWaveバンドで動作し、身体の動きに敏感な時間変化の3D点雲(PC)情報を取得する。 また、異なる視点から同じシーンを観察し、サイドリンク通信チャネルを使用して環境を感知しながら協調する。 従来の協力体制により、レーダーは生のPC情報を相互に交換してエゴセンシングを改善することができる。 本稿では,レーダが生データではなく,観測されたPCのベイズ測度のパラメータを交換するフェデレーション機構を提案する。 レーダーは分散パラメータサーバとして機能し、ベイジアンツールを使用してグローバルな後部(すなわち連邦化後部)を再構築する。 本稿では、協調機構に関するレーダフェデレーションの利点を定量化し、比較する。 どちらのアプローチも、リアルタイムのデモプラットフォームでの実験によって検証される。 フェデレーションは、サイドリンク通信チャネル(20 {\div} 25倍の帯域幅使用)を最小限に使用し、未解決のターゲットに対する感度が低い。 一方、協調は平均絶対目標推定誤差を約20%削減する。

関連論文リスト

• SparseRadNet: Sparse Perception Neural Network on Subsampled Radar Data [5.344444942640663]
  レーダー生データは、しばしば過剰なノイズを含むが、レーダー点雲は限られた情報しか保持しない。 本稿では,適応的なサブサンプリング手法と,空間パターンを利用したネットワークアーキテクチャを提案する。 RADIalデータセットの実験により,SparseRadNetはオブジェクト検出における最先端(SOTA)性能を超え,自由空間セグメンテーションにおけるSOTA精度に近づいた。
  論文  参考訳（メタデータ） (2024-06-15T11:26:10Z)
• 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)
• Timely Fusion of Surround Radar/Lidar for Object Detection in Autonomous Driving Systems [13.998883144668941]
  レーダーとライダーセンサーのデータは、その補完的な利点を十分に活用し、周囲をより正確に再現することができる。 既存のレーダ/リダ融合法は、サラウンドレーダの低周波で動作する必要がある。 本稿では,Radar/Lidar周辺を高速なLidarのみに制限された作業周波数でヒューズする手法を開発した。
  論文  参考訳（メタデータ） (2023-09-09T14:22:12Z)
• 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)
• ROFusion: Efficient Object Detection using Hybrid Point-wise Radar-Optical Fusion [14.419658061805507]
  本稿では,自律走行シナリオにおける物体検出のためのハイブリッドなポイントワイドレーダ・オプティカル融合手法を提案する。 このフレームワークは、マルチモーダルな特徴表現を学習するために統合されたレンジドップラースペクトルと画像の両方からの密集したコンテキスト情報から恩恵を受ける。
  論文  参考訳（メタデータ） (2023-07-17T04:25:46Z)
• 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)
• 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)
• Estimating the Magnitude and Phase of Automotive Radar Signals under Multiple Interference Sources with Fully Convolutional Networks [22.081568892330996]
  レーダーセンサーは徐々に道路車両の広範に普及し、自動運転と道路安全において重要な役割を担っている。 レーダーセンサーの広範な採用により、異なる車両からのセンサー間の干渉の機会が増加し、破損したレンジプロファイルとレンジ・ドップラーマップが生成される。 本稿では,自動車用レーダ干渉緩和のための完全畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-11T18:50:38Z)
• 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。