論文の概要: CoVeRaP: Cooperative Vehicular Perception through mmWave FMCW Radars

• arxiv url: http://arxiv.org/abs/2508.16030v1
• Date: Fri, 22 Aug 2025 01:14:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.221379
• Title: CoVeRaP: Cooperative Vehicular Perception through mmWave FMCW Radars
• Title（参考訳）: CoVeRaP:mmWave FMCWレーダによる協調的血管知覚
• Authors: Jinyue Song, Hansol Ku, Jayneel Vora, Nelson Lee, Ahmad Kamari, Prasant Mohapatra, Parth Pathak,
• Abstract要約: 自動車用FMCWレーダーは雨と光沢で信頼性が保たれているが、希少でノイズの多い点雲は3次元物体検出を制限している。 CoVeRaPは21kフレームのコラボレーティブデータセットで、レーダー、カメラ、GPSストリームをさまざまな操作でタイムアラインする。 実験により、エンハンスエンコーディングによる中核融合は、IoU 0.9において平均精度を最大9倍にし、単一車両のベースラインを一貫して上回っていることが示された。
• 参考スコア（独自算出の注目度）: 6.7352205654977935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automotive FMCW radars remain reliable in rain and glare, yet their sparse, noisy point clouds constrain 3-D object detection. We therefore release CoVeRaP, a 21 k-frame cooperative dataset that time-aligns radar, camera, and GPS streams from multiple vehicles across diverse manoeuvres. Built on this data, we propose a unified cooperative-perception framework with middle- and late-fusion options. Its baseline network employs a multi-branch PointNet-style encoder enhanced with self-attention to fuse spatial, Doppler, and intensity cues into a common latent space, which a decoder converts into 3-D bounding boxes and per-point depth confidence. Experiments show that middle fusion with intensity encoding boosts mean Average Precision by up to 9x at IoU 0.9 and consistently outperforms single-vehicle baselines. CoVeRaP thus establishes the first reproducible benchmark for multi-vehicle FMCW-radar perception and demonstrates that affordable radar sharing markedly improves detection robustness. Dataset and code are publicly available to encourage further research.
• Abstract（参考訳）: 自動車用FMCWレーダーは雨と光沢で信頼性が保たれているが、希少でノイズの多い点雲は3次元物体検出を制限している。 そのため、CoVeRaPは21kフレームのコラボレーティブデータセットで、レーダー、カメラ、GPSストリームをさまざまな操作でタイムアライズする。 このデータに基づいて、中・後期の選択肢を持つ統合協調認識フレームワークを提案する。 そのベースラインネットワークは、空間、ドップラー、強度のキューを共通の潜在空間に融合させるために、自己注意で拡張されたマルチブランチのPointNetスタイルのエンコーダを用いており、デコーダは3次元境界ボックスに変換され、ポイント毎の深さの信頼性が保証される。 実験により、エンハンスエンコーディングによる中核融合は、IoU 0.9において平均精度を最大9倍にし、単一車両のベースラインを一貫して上回っていることが示された。 したがって、CoVeRaPは、マルチサイクルFMCWレーダーの認識のための最初の再現可能なベンチマークを確立し、安価なレーダー共有が検出の堅牢性を大幅に改善することを示した。 データセットとコードは、さらなる研究を促進するために公開されています。

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)
• RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
  暗い照明や悪天候はカメラの性能を低下させる。 レーダーは騒音と位置のあいまいさに悩まされる。 本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
  論文  参考訳（メタデータ） (2025-02-18T17:17:38Z)
• CaFNet: A Confidence-Driven Framework for Radar Camera Depth Estimation [6.9404362058736995]
  本稿では,深度推定のための2段階・エンドツーエンドの信頼度対応フュージョンネット(CaFNet)を提案する。 第1段階は、あいまいな標高やノイズ測定など、レーダー固有の課題に対処する。 最終深度推定のために、レーダと画像の特徴を効果的に統合するための信頼性を考慮したゲート融合機構を革新する。
  論文  参考訳（メタデータ） (2024-06-30T13:39:29Z)
• 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)
• 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)
• 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)
• MVFusion: Multi-View 3D Object Detection with Semantic-aligned Radar and Camera Fusion [6.639648061168067]
  マルチビューレーダーカメラで融合した3Dオブジェクト検出は、より遠くの検知範囲と自律運転に有用な機能を提供する。 現在のレーダーとカメラの融合方式は、レーダー情報をカメラデータで融合するための種類の設計を提供する。 セマンティック・アライメント・レーダ機能を実現するための新しいマルチビューレーダカメラフュージョン法であるMVFusionを提案する。
  論文  参考訳（メタデータ） (2023-02-21T08:25:50Z)

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。