論文の概要: 4DRC-OCC: Robust Semantic Occupancy Prediction Through Fusion of 4D Radar and Camera

• arxiv url: http://arxiv.org/abs/2603.07794v1
• Date: Sun, 08 Mar 2026 20:28:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.219756
• Title: 4DRC-OCC: Robust Semantic Occupancy Prediction Through Fusion of 4D Radar and Camera
• Title（参考訳）: 4DRC-OCC:4Dレーダとカメラの融合によるロバストなセマンティック占有予測
• Authors: David Ninfa, Andras Palffy, Holger Caesar,
• Abstract要約: 本研究は,4次元レーダとカメラデータを組み合わせた3次元セマンティック占有予測のための最初の研究である。 実験では、さまざまなシナリオにわたる4Dレーダーの堅牢性を示し、自動運転車の認識を前進させる可能性を強調している。
• 参考スコア（独自算出の注目度）: 10.945807584683726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving requires robust perception across diverse environmental conditions, yet 3D semantic occupancy prediction remains challenging under adverse weather and lighting. In this work, we present the first study combining 4D radar and camera data for 3D semantic occupancy prediction. Our fusion leverages the complementary strengths of both modalities: 4D radar provides reliable range, velocity, and angle measurements in challenging conditions, while cameras contribute rich semantic and texture information. We further show that integrating depth cues from camera pixels enables lifting 2D images to 3D, improving scene reconstruction accuracy. Additionally, we introduce a fully automatically labeled dataset for training semantic occupancy models, substantially reducing reliance on costly manual annotation. Experiments demonstrate the robustness of 4D radar across diverse scenarios, highlighting its potential to advance autonomous vehicle perception.
• Abstract（参考訳）: 自律運転は多様な環境条件に対して堅牢な認識を必要とするが、3Dセマンティック占有率の予測は悪天候や照明下では困難なままである。 本研究では,4次元レーダとカメラデータを組み合わせて3次元セマンティック占有予測を行う。 4Dレーダは、困難な状況下での信頼性の高い範囲、速度、角度の測定を提供し、カメラは豊かなセマンティックおよびテクスチャ情報を提供する。 さらに,2次元画像の3次元化が可能であり,シーン再構成の精度が向上することを示す。 さらに、セマンティック占有モデルをトレーニングするための完全自動ラベル付きデータセットを導入し、コストのかかる手作業によるアノテーションへの依存を大幅に減らした。 実験では、さまざまなシナリオにわたる4Dレーダーの堅牢性を示し、自動運転車の認識を前進させる可能性を強調している。

関連論文リスト

• GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control [50.67481583744243]
  実世界モデルにロバストな3次元形状条件を明示的に統合したGeoDriveを紹介する。 車両の位置を編集することでレンダリングを強化するため,トレーニング中の動的編集モジュールを提案する。 動作精度と空間認識の両面で既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-28T14:46:51Z)
• Easi3R: Estimating Disentangled Motion from DUSt3R Without Training [69.51086319339662]
  Easi3Rは,4次元再構成のための簡易かつ効率的なトレーニングフリー手法である。 提案手法は,事前学習やネットワークファインチューニングの必要性を排除し,推論中の注意適応を適用した。 実世界のダイナミックビデオの実験では、従来の最先端手法よりも軽量な注意適応が著しく優れていたことが示されている。
  論文  参考訳（メタデータ） (2025-03-31T17:59:58Z)
• 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)
• RadarOcc: Robust 3D Occupancy Prediction with 4D Imaging Radar [15.776076554141687]
  3D占有に基づく知覚パイプラインは、かなり進歩した自律運転を持つ。 現在の方法では、LiDARやカメラの入力を3D占有率予測に頼っている。 本稿では,4次元イメージングレーダセンサを用いた3次元占有予測手法を提案する。
  論文  参考訳（メタデータ） (2024-05-22T21:48:17Z)
• MVFAN: Multi-View Feature Assisted Network for 4D Radar Object Detection [15.925365473140479]
  4Dレーダーは、悪天候下での弾力性と費用対効果が認められている。 LiDARやカメラとは異なり、レーダーは厳しい気象条件で損傷を受けないままである。 本稿では,自律走行車のためのレーダーによる3次元物体検出手法を提案する。
  論文  参考訳（メタデータ） (2023-10-25T06:10:07Z)
• 3D Data Augmentation for Driving Scenes on Camera [50.41413053812315]
  本稿では,Drive-3DAugと呼ばれる3次元データ拡張手法を提案する。 まずNeural Radiance Field(NeRF)を用いて,背景および前景の3次元モデルの再構成を行う。 そして、予め定義された背景の有効領域に適応した位置と向きの3Dオブジェクトを配置することにより、拡張駆動シーンを得ることができる。
  論文  参考訳（メタデータ） (2023-03-18T05:51:05Z)
• Rope3D: TheRoadside Perception Dataset for Autonomous Driving and Monocular 3D Object Detection Task [48.555440807415664]
  道路沿いの知覚3Dデータセットに挑戦する最初のハイダイバーシティを提示する。 データセットは50Kイメージと、さまざまなシーンで1.5M以上の3Dオブジェクトで構成されている。 本稿では,様々なセンサや視点によって引き起こされるあいまいさを解決するために,幾何学的制約を活用することを提案する。
  論文  参考訳（メタデータ） (2022-03-25T12:13:23Z)
• 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)

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。