論文の概要: DoppDrive: Doppler-Driven Temporal Aggregation for Improved Radar Object Detection

• arxiv url: http://arxiv.org/abs/2508.12330v1
• Date: Sun, 17 Aug 2025 11:24:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.688739
• Title: DoppDrive: Doppler-Driven Temporal Aggregation for Improved Radar Object Detection
• Title（参考訳）: DoppDrive: ドプラ駆動によるレーダー物体検出のための時間アグリゲーション
• Authors: Yuval Haitman, Oded Bialer,
• Abstract要約: 既存の手法では時間的アグリゲーションとエゴモーション補償によって点密度を増大させるが,本手法では動的物体からの散乱を導入し,検出性能を劣化させる。 散乱を最小化しながらレーダ点雲密度を増大させる新しいドップラー駆動時間アグリゲーション法であるDoppDriveを提案する。 DoppDriveは、検出前に適用された点雲密度向上ステップであり、あらゆる検出器と互換性があり、さまざまな検出器やデータセットのオブジェクト検出性能が大幅に向上することを示した。
• 参考スコア（独自算出の注目度）: 6.0158981171030685
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Radar-based object detection is essential for autonomous driving due to radar's long detection range. However, the sparsity of radar point clouds, especially at long range, poses challenges for accurate detection. Existing methods increase point density through temporal aggregation with ego-motion compensation, but this approach introduces scatter from dynamic objects, degrading detection performance. We propose DoppDrive, a novel Doppler-Driven temporal aggregation method that enhances radar point cloud density while minimizing scatter. Points from previous frames are shifted radially according to their dynamic Doppler component to eliminate radial scatter, with each point assigned a unique aggregation duration based on its Doppler and angle to minimize tangential scatter. DoppDrive is a point cloud density enhancement step applied before detection, compatible with any detector, and we demonstrate that it significantly improves object detection performance across various detectors and datasets.
• Abstract（参考訳）: レーダーによる物体検出は、レーダーの長い検出範囲のため、自律走行には不可欠である。 しかし、特に長距離のレーダー点雲の広がりは、正確な検出を困難にしている。 既存の手法では時間的アグリゲーションとエゴモーション補償によって点密度を増大させるが,本手法では動的物体からの散乱を導入し,検出性能を劣化させる。 散乱を最小化しながらレーダ点雲密度を増大させる新しいドップラー駆動時間アグリゲーション法であるDoppDriveを提案する。 従来のフレームからの点を動的ドップラー成分に従って放射移動させて放射散乱を除去し、各点がドップラーと角度に基づいて独自のアグリゲーション期間を割り当て、接散乱を最小限に抑える。 DoppDriveは、検出前に適用された点雲密度向上ステップであり、あらゆる検出器と互換性があり、さまざまな検出器やデータセットのオブジェクト検出性能が大幅に向上することを示した。

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)
• RadarPillars: Efficient Object Detection from 4D Radar Point Clouds [42.9356088038035]
  本稿では,柱型物体検出ネットワークRadarPillarsを提案する。 放射速度データを分解することにより、RadarPillarsは、View-of-Delftデータセットの最先端検出結果を大幅に上回る。 これはパラメータ数を大幅に削減し、既存のメソッドを効率面で上回り、エッジデバイス上でのリアルタイムパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-08-09T12:13:38Z)
• Diffusion-Based Point Cloud Super-Resolution for mmWave Radar Data [8.552647576661174]
  ミリ波レーダセンサは、環境条件下では安定した性能を維持している。 レーダー点雲は比較的希薄で、巨大なゴーストポイントを含んでいる。 本稿では3次元ミリ波レーダデータに対する新しい点雲超解像法,Radar-diffusionを提案する。
  論文  参考訳（メタデータ） (2024-04-09T04:41:05Z)
• Ego-Motion Estimation and Dynamic Motion Separation from 3D Point Clouds for Accumulating Data and Improving 3D Object Detection [0.1474723404975345]
  高解像度レーダーセンサーの1つは、ライダーセンサーと比較して、生成された点雲の空間性である。 このコントリビューションは、View-of-Delftデータセット上のレーダーポイント雲の蓄積制限を分析する。 エゴモーション推定と動的動き補正を応用して物体検出性能を向上させる実験を行った。
  論文  参考訳（メタデータ） (2023-08-29T14:53:16Z)
• 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)
• Entanglement-assisted multi-aperture pulse-compression radar for angle resolving detection [5.109700506364796]
  絡み合いは、ノイズの少ない伝播によって破壊されているにもかかわらず、目標検出を促進することが知られている。 本研究では, 量子パルス圧縮レーダを提案し, 対象範囲推定に対する絡み合いの利点を拡大する。
  論文  参考訳（メタデータ） (2022-07-22T05:22:50Z)
• Anomaly Detection in Radar Data Using PointNets [7.3600716208089825]
  異常なレーダーターゲットを検出するために,PointNetsに基づく手法を提案する。 本手法は都市シナリオにおける実世界のデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2021-09-20T10:02:24Z)
• 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。