論文の概要: Uncertainty-Driven Radar-Inertial Fusion for Instantaneous 3D Ego-Velocity Estimation

• arxiv url: http://arxiv.org/abs/2506.14294v1
• Date: Tue, 17 Jun 2025 08:10:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.390145
• Title: Uncertainty-Driven Radar-Inertial Fusion for Instantaneous 3D Ego-Velocity Estimation
• Title（参考訳）: 瞬時3次元エゴ速度推定のための不確かさ駆動レーダ慣性核融合
• Authors: Prashant Kumar Rai, Elham Kowsari, Nataliya Strokina, Reza Ghabcheloo,
• Abstract要約: 本稿では,高分解能イメージングレーダと慣性測定ユニットを統合することで,自律走行におけるエゴ速度を推定する方法を提案する。 ニューラルネットワークを用いて、複雑な値の生レーダデータを処理し、関連する不確実性とともに、瞬時線形エゴ速度を推定する。 この不確実性を考慮した速度推定は拡張カルマンフィルタを用いて慣性測定単位データと統合される。
• 参考スコア（独自算出の注目度）: 4.184845027588594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a method for estimating ego-velocity in autonomous navigation by integrating high-resolution imaging radar with an inertial measurement unit. The proposed approach addresses the limitations of traditional radar-based ego-motion estimation techniques by employing a neural network to process complex-valued raw radar data and estimate instantaneous linear ego-velocity along with its associated uncertainty. This uncertainty-aware velocity estimate is then integrated with inertial measurement unit data using an Extended Kalman Filter. The filter leverages the network-predicted uncertainty to refine the inertial sensor's noise and bias parameters, improving the overall robustness and accuracy of the ego-motion estimation. We evaluated the proposed method on the publicly available ColoRadar dataset. Our approach achieves significantly lower error compared to the closest publicly available method and also outperforms both instantaneous and scan matching-based techniques.
• Abstract（参考訳）: 本稿では,高分解能イメージングレーダと慣性測定ユニットを統合することで,自律走行におけるエゴ速度を推定する方法を提案する。 提案手法は、ニューラルネットワークを用いて複雑な値の生レーダデータを処理し、関連する不確実性とともに瞬時線形エゴ速度を推定することにより、従来のレーダに基づくエゴ運動推定手法の限界に対処する。 この不確実性を考慮した速度推定は拡張カルマンフィルタを用いて慣性測定単位データと統合される。 このフィルタは、ネットワーク予測の不確実性を利用して慣性センサのノイズとバイアスパラメータを洗練し、エゴモーション推定の全体的な堅牢性と精度を向上させる。 提案手法を一般公開されたColoRadarデータセット上で評価した。 提案手法は, 一般に入手可能な手法に比べて誤差が著しく低く, また, 即時およびスキャンマッチングに基づく手法よりも優れる。

関連論文リスト

• TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
  一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。 具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。 従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
  論文  参考訳（メタデータ） (2025-04-16T05:25:04Z)
• Continuously Optimizing Radar Placement with Model Predictive Path Integrals [16.148347437965683]
  センサー配置の連続最適化は、様々な軍事・民間用途における正確な目標位置決めに不可欠である。 レーダパラメータとレーダ目標距離を組み込んだレンジ計測モデルを用いる。 我々は、時間とともにレーダーと目標の進化する幾何学を可視化し、最も高い測定情報を得る領域をハイライトする。
  論文  参考訳（メタデータ） (2024-05-29T11:25:53Z)
• Depth Estimation fusing Image and Radar Measurements with Uncertain Directions [14.206589791912458]
  従来のレーダ画像融合作業では、画像特徴は畳み込み層を通してレーダーによって測定された不確実なスパース深さとマージされる。 本手法は,画像のみを用いて特徴を計算し,レーダ深度を画素単位で調整することでこの問題を回避する。 提案手法は, レーダの正確な方向のみを学習することにより, トレーニングデータを改善するとともに, 従来手法では生レーダ測定を訓練していた。
  論文  参考訳（メタデータ） (2024-03-23T10:16:36Z)
• AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation Using Intelligent Sensing System [52.93806509364342]
  本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。 本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。 本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
  論文  参考訳（メタデータ） (2023-12-18T12:37:35Z)
• 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)
• 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)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Deep Evaluation Metric: Learning to Evaluate Simulated Radar Point Clouds for Virtual Testing of Autonomous Driving [0.0]
  仮想テストのための環境センサモデルの使用は、自動運転のテスト労力を減らすための有望なアプローチです。 本研究では,ニューラルネットワークを訓練し,実際のレーダセンサデータとシミュレートしたレーダセンサデータを区別する。 本稿では,合成レーダデータの忠実度を決定する指標として,実レーダ点雲のクラスに対する分類器の信頼性スコアを提案する。
  論文  参考訳（メタデータ） (2021-04-14T11:04:50Z)
• 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)

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。