論文の概要: Radar-Inertial Odometry For Computationally Constrained Aerial Navigation
- arxiv url: http://arxiv.org/abs/2602.04631v1
- Date: Wed, 04 Feb 2026 15:03:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.173377
- Title: Radar-Inertial Odometry For Computationally Constrained Aerial Navigation
- Title（参考訳）: 慣性航法におけるレーダ慣性オドメトリー
- Authors: Jan Michalczyk,
- Abstract要約: 本稿では,IMUとレーダの情報を融合するために,レーダ・慣性オドメトリー(RIO)アルゴリズムを提案する。
本研究では, 深層学習の進歩を活かして, スパース・ノイズの多いレーダ点雲中の3次元点対応を検索する方法を示す。
- 参考スコア（独自算出の注目度）: 0.7310043452300737
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, the progress in the radar sensing technology consisting in the miniaturization of the packages and increase in measuring precision has drawn the interest of the robotics research community. Indeed, a crucial task enabling autonomy in robotics is to precisely determine the pose of the robot in space. To fulfill this task sensor fusion algorithms are often used, in which data from one or several exteroceptive sensors like, for example, LiDAR, camera, laser ranging sensor or GNSS are fused together with the Inertial Measurement Unit (IMU) measurements to obtain an estimate of the navigation states of the robot. Nonetheless, owing to their particular sensing principles, some exteroceptive sensors are often incapacitated in extreme environmental conditions, like extreme illumination or presence of fine particles in the environment like smoke or fog. Radars are largely immune to aforementioned factors thanks to the characteristics of electromagnetic waves they use. In this thesis, we present Radar-Inertial Odometry (RIO) algorithms to fuse the information from IMU and radar in order to estimate the navigation states of a (Uncrewed Aerial Vehicle) UAV capable of running on a portable resource-constrained embedded computer in real-time and making use of inexpensive, consumer-grade sensors. We present novel RIO approaches relying on the multi-state tightly-coupled Extended Kalman Filter (EKF) and Factor Graphs (FG) fusing instantaneous velocities of and distances to 3D points delivered by a lightweight, low-cost, off-the-shelf Frequency Modulated Continuous Wave (FMCW) radar with IMU readings. We also show a novel way to exploit advances in deep learning to retrieve 3D point correspondences in sparse and noisy radar point clouds.
- Abstract（参考訳）: 近年,パッケージの小型化と測定精度の向上によるレーダセンシング技術の進歩が,ロボット研究コミュニティの関心を惹きつけている。
実際、ロボット工学における自律性を可能にする重要なタスクは、宇宙でのロボットのポーズを正確に決定することである。
このタスクセンサ融合アルゴリズムを実現するために、LiDAR、カメラ、レーザー測位センサー、GNSSなどの1つまたは複数の外部受容センサーのデータと慣性計測ユニット(IMU)の測定とを融合させて、ロボットのナビゲーション状態を推定する。
それにもかかわらず、特定の感知原理のため、極端に照らされたり、煙や霧のような環境に微粒子が存在するなど、極端に環境条件下では、外部受容センサーが機能しない場合が多い。
レーダーは、それらが使用する電磁波の特性のおかげで、前述の要因にほとんど免疫がない。
本稿では、IMUとレーダーからの情報を融合するRadear-Inertial Odometry (RIO)アルゴリズムを提案し、ポータブルなリソース制約の組込みコンピュータ上でリアルタイムに動作し、安価なコンシューマグレードのセンサーを利用することができる(無人航空機)UAVの航法状態を推定する。
In this present novel RIO approach based on the multi-state tight-coupled Extended Kalman Filter (EKF) and Factor Graphs (FG) fusing instantaneous velocities of and distances to 3D points delivered by a light, low-cost, off-the-the-shelf Frequency Modulated Continuous Wave (FMCW) radar with IMU readings。
また, 深層学習の進歩を生かして, スパースおよびノイズの多いレーダ点雲中の3次元点対応を検索する方法も提示する。
関連論文リスト
- TransRAD: Retentive Vision Transformer for Enhanced Radar Object Detection [6.163747364795787]
本稿では,新しい3次元レーダ物体検出モデルであるTransRADを提案する。
本研究では、ディープレーダオブジェクト検出における重複境界ボックスの共通問題を軽減するために、位置認識型NMSを提案する。
その結果,TransRADは2次元および3次元のレーダ検出タスクにおいて最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2025-01-29T20:21:41Z) - Automotive Elevation Mapping with Interferometric Synthetic Aperture Radar [0.0]
合成開口レーダ(synthetic Aperture Radar, SAR)は、レーダーの方位分解能と感度を改善するための一連の技術である。
干渉SARは、SAR画像の位相測定のバリエーションから標高を抽出することができる。
車両に搭載された典型的な低分解能レーダアレイは,都市環境と農業環境の両方において,3次元空間における検出の正確な位置決めに利用できることを示す。
論文 参考訳（メタデータ） (2025-01-14T23:57:35Z) - 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) - 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) - RaLiBEV: Radar and LiDAR BEV Fusion Learning for Anchor Box Free Object
Detection Systems [13.046347364043594]
自動運転では、LiDARとレーダーは環境認識に不可欠である。
最近の最先端の研究は、レーダーとLiDARの融合が悪天候の堅牢な検出につながることを明らかにしている。
鳥眼ビュー融合学習に基づくアンカーボックスフリー物体検出システムを提案する。
論文 参考訳（メタデータ） (2022-11-11T10:24:42Z) - Domain and Modality Gaps for LiDAR-based Person Detection on Mobile
Robots [91.01747068273666]
本稿では,移動ロボットのシナリオに着目した既存のLiDAR人物検出装置について検討する。
実験は3Dと2D LiDARのセンサー間のモダリティのギャップだけでなく、運転と移動ロボットのシナリオ間の領域ギャップを回避している。
その結果、LiDARに基づく人物検出の実践的な洞察を与え、関連する移動ロボットの設計と応用に関する情報決定を容易にする。
論文 参考訳（メタデータ） (2021-06-21T16:35:49Z) - Rethinking of Radar's Role: A Camera-Radar Dataset and Systematic
Annotator via Coordinate Alignment [38.24705460170415]
CRUWと呼ばれる新しいデータセットを体系的なアノテーションとパフォーマンス評価システムで提案する。
CRUWは、レーダーの無線周波数(RF)画像から3Dのオブジェクトを純粋に分類し、ローカライズすることを目指しています。
私たちの知る限り、CRUWは体系的なアノテーションと評価システムを備えた最初の公開大規模データセットです。
論文 参考訳（メタデータ） (2021-05-11T17:13:45Z) - 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) - Quantized Neural Networks for Radar Interference Mitigation [14.540226579203207]
CNNに基づくノイズ除去と干渉緩和のアプローチはレーダ処理に有望な結果をもたらす。
本稿では,CNNに基づくレーダ信号のノイズ除去と干渉緩和のための量子化手法について検討する。
論文 参考訳（メタデータ） (2020-11-25T13:18:06Z) - 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。