論文の概要: Redefining Radar Segmentation: Simultaneous Static-Moving Segmentation and Ego-Motion Estimation using Radar Point Clouds

• arxiv url: http://arxiv.org/abs/2511.20003v1
• Date: Tue, 25 Nov 2025 07:13:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.328974
• Title: Redefining Radar Segmentation: Simultaneous Static-Moving Segmentation and Ego-Motion Estimation using Radar Point Clouds
• Title（参考訳）: レーダ・セグメンテーションの再定義:レーダ・ポイント・クラウドを用いた同時静的移動セグメンテーションとエゴ・モーション推定
• Authors: Simin Zhu, Satish Ravindran, Alexander Yarovoy, Francesco Fioranelli,
• Abstract要約: 本研究では,レーダ点雲から静的および移動物体を同時に分割するニューラルネットワークに基づく解を提案する。 静的物体の放射速度の測定値はレーダの運動と相関する。 また、移動プラットフォームや車両の瞬間的な2次元速度を推定することもできる。
• 参考スコア（独自算出の注目度）: 42.08401139629074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional radar segmentation research has typically focused on learning category labels for different moving objects. Although fundamental differences between radar and optical sensors lead to differences in the reliability of predicting accurate and consistent category labels, a review of common radar perception tasks in automotive reveals that determining whether an object is moving or static is a prerequisite for most tasks. To fill this gap, this study proposes a neural network based solution that can simultaneously segment static and moving objects from radar point clouds. Furthermore, since the measured radial velocity of static objects is correlated with the motion of the radar, this approach can also estimate the instantaneous 2D velocity of the moving platform or vehicle (ego motion). However, despite performing dual tasks, the proposed method employs very simple yet effective building blocks for feature extraction: multi layer perceptrons (MLPs) and recurrent neural networks (RNNs). In addition to being the first of its kind in the literature, the proposed method also demonstrates the feasibility of extracting the information required for the dual task directly from unprocessed point clouds, without the need for cloud aggregation, Doppler compensation, motion compensation, or any other intermediate signal processing steps. To measure its performance, this study introduces a set of novel evaluation metrics and tests the proposed method using a challenging real world radar dataset, RadarScenes. The results show that the proposed method not only performs well on the dual tasks, but also has broad application potential in other radar perception tasks.
• Abstract（参考訳）: 従来のレーダーセグメンテーションの研究は、典型的には異なる移動物体のカテゴリラベルを学習することに焦点を当ててきた。 レーダと光学センサーの基本的な違いは、精度と一貫性のあるカテゴリラベルの予測の信頼性の違いにつながるが、自動車における一般的なレーダ認識タスクのレビューでは、物体が動いているか静的かは、ほとんどのタスクにとって必須条件であることが示されている。 このギャップを埋めるために、レーダーポイント雲から静的および移動物体を同時にセグメント化できるニューラルネットワークベースのソリューションを提案する。 さらに, 静止物体の放射速度はレーダの動きと相関しているため, 移動台や車両(エゴ運動)の瞬時2次元速度を推定することもできる。 しかし,マルチ層パーセプトロン (MLP) とリカレントニューラルネットワーク (RNN) の2つのタスクをこなすにもかかわらず,提案手法では特徴抽出に非常に単純かつ効果的なビルディングブロックを用いる。 また,本手法は,本手法の文献における第1種であるとともに,クラウドアグリゲーション,ドップラー補償,動作補償,その他の中間信号処理ステップを必要とせずに,未処理の点群から直接デュアルタスクに必要な情報を抽出できる可能性を示した。 本研究は,その性能を評価するために,現実のレーダデータセットであるRadarScenesを用いて,新しい評価指標のセットを導入し,提案手法を検証した。 その結果,提案手法は2つのタスクでうまく機能するだけでなく,他のレーダ認識タスクにも幅広い応用可能性があることが示唆された。

関連論文リスト

• Self-Supervised Moving Object Segmentation of Sparse and Noisy Radar Point Clouds [17.737940705639573]
  オブジェクトのセグメンテーションは、自動運転車のような安全で信頼性の高い自律型モバイルシステムにとって重要なタスクだ。 レーダーポイントクラウドは、しばしばスパースでノイズが多く、教師あり学習に使用するデータアノテーションを作成する。 本稿では,レーダデータの動作認識表現を生成するためにネットワークを事前訓練するために,動的点除去に基づくクラスタリファインメントを用いたクラスタリングに基づく新しいコントラスト損失関数を提案する。
  論文  参考訳（メタデータ） (2025-11-04T09:21:45Z)
• Radar Velocity Transformer: Single-scan Moving Object Segmentation in Noisy Radar Point Clouds [23.59980120024823]
  本稿では,ノイズの多いレーダ点雲における物体分割の移動問題に取り組む。 スパースレーダスキャンにおける単一走査移動物体セグメンテーションを高精度に行うためのトランスフォーマーに基づく新しい手法を開発した。 我々のネットワークはセンサのフレームレートよりも高速に動作し、単一走査レーダデータのみを用いてより優れたセグメンテーション結果を示す。
  論文  参考訳（メタデータ） (2025-07-04T10:39:13Z)
• MATE: Motion-Augmented Temporal Consistency for Event-based Point Tracking [58.719310295870024]
  本稿では,任意の点を追跡するイベントベースのフレームワークを提案する。 事象の間隔に起因する曖昧さを解決するため、運動誘導モジュールは運動ベクトルを局所的なマッチングプロセスに組み込む。 このメソッドは、任意のポイントベースラインのイベントのみのトラッキングに対して、$Survival_50$メトリックを17.9%改善する。
  論文  参考訳（メタデータ） (2024-12-02T09:13:29Z)
• Multi-stage Learning for Radar Pulse Activity Segmentation [51.781832424705094]
  無線信号認識は電子戦において重要な機能である。 電子戦システムでは、レーダパルス活動の正確な識別と位置決めが要求される。 ディープラーニングに基づくレーダーパルス活動認識法は、ほとんど未検討のままである。
  論文  参考訳（メタデータ） (2023-12-15T01:56:27Z)
• Simultaneous Clutter Detection and Semantic Segmentation of Moving Objects for Automotive Radar Data [12.96486891333286]
  レーダセンサは、自動運転車の環境認識システムにおいて重要な部分である。 レーダーポイント雲の処理における最初のステップの1つは、しばしば乱れの検出である。 もう一つの一般的な目的は、移動道路利用者のセマンティックセグメンテーションである。 我々は,RadarScenesデータセットのセマンティックセマンティックセグメンテーションにおいて,我々の設定が極めて効果的であることを示し,既存のネットワークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-13T11:29:38Z)
• 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)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• 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)
• Off-the-shelf sensor vs. experimental radar -- How much resolution is necessary in automotive radar classification? [5.452955349285637]
  従来のレーダーセンサーの解像度はスパースデータ表現をもたらす。 新しいセンサーは、この挑戦的な分野に応用されるのを待っている。 異なるレーダ世代の2つのセンサを互いに評価する。
  論文  参考訳（メタデータ） (2020-06-09T19:51:34Z)

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。