論文の概要: AdaRadar: Rate Adaptive Spectral Compression for Radar-based Perception

• arxiv url: http://arxiv.org/abs/2603.17979v1
• Date: Wed, 18 Mar 2026 17:42:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.865666
• Title: AdaRadar: Rate Adaptive Spectral Compression for Radar-based Perception
• Title（参考訳）: AdaRadar:レーダによる知覚に対する速度適応スペクトル圧縮
• Authors: Jinho Park, Se Young Chun, Mingoo Seok,
• Abstract要約: レーダーは自律運転システムにおいて重要な知覚モダリティである。 高次元生レーダデータの高いボリュームは、コンピュータエンジンとの通信リンクを飽和させる。 適応フィードバックを用いたレーダデータ圧縮を提案する。
• 参考スコア（独自算出の注目度）: 26.239044699549506
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Radar is a critical perception modality in autonomous driving systems due to its all-weather characteristics and ability to measure range and Doppler velocity. However, the sheer volume of high-dimensional raw radar data saturates the communication link to the computing engine (e.g., an NPU), which is often a low-bandwidth interface with data rate provisioned only for a few low-resolution range-Doppler frames. A generalized codec for utilizing high-dimensional radar data is notably absent, while existing image-domain approaches are unsuitable, as they typically operate at fixed compression ratios and fail to adapt to varying or adversarial conditions. In light of this, we propose radar data compression with adaptive feedback. It dynamically adjusts the compression ratio by performing gradient descent from the proxy gradient of detection confidence with respect to the compression rate. We employ a zeroth-order gradient approximation as it enables gradient computation even with non-differentiable core operations--pruning and quantization. This also avoids transmitting the gradient tensors over the band-limited link, which, if estimated, would be as large as the original radar data. In addition, we have found that radar feature maps are heavily concentrated on a few frequency components. Thus, we apply the discrete cosine transform to the radar data cubes and selectively prune out the coefficients effectively. We preserve the dynamic range of each radar patch through scaled quantization. Combining those techniques, our proposed online adaptive compression scheme achieves over 100x feature size reduction at minimal performance drop (~1%p). We validate our results on the RADIal, CARRADA, and Radatron datasets.
• Abstract（参考訳）: レーダーは、全天候特性と距離とドップラー速度を測定する能力のために、自律走行システムにおいて重要な知覚モダリティである。 しかし、高次元の生レーダデータの量は、低帯域幅のインタフェースであるコンピュータエンジン(例えばNPU)との通信リンクを飽和させ、データレートは少数の低解像度レンジ・ドップラーフレームに限られる。 高次元レーダーデータを利用する汎用コーデックは特に欠落しているが、既存の画像領域のアプローチは、通常一定の圧縮比で動作し、異なる条件や逆条件に適応できないため不適である。 そこで本研究では,適応フィードバックを用いたレーダデータ圧縮を提案する。 圧縮率に対する検出信頼のプロキシ勾配から勾配降下を行うことにより圧縮比を動的に調整する。 我々は、微分不可能なコア演算でも勾配計算が可能であるため、ゼロ階勾配近似を用いる。 これはまた、バンド制限リンク上の勾配テンソルの送信を回避し、推定すると、元のレーダーデータと同じ大きさになる。 さらに、レーダ特徴写像はいくつかの周波数成分に強く依存していることが判明した。 したがって、離散コサイン変換をレーダデータキューブに適用し、係数を選択的に抽出する。 我々は、スケールした量子化により、各レーダパッチのダイナミックレンジを保存する。 これらの手法を組み合わせることで,オンライン適応圧縮方式は,最小性能低下(〜1%p)で100倍以上の特徴量削減を実現する。 RADIal, CARRADA, Radatronのデータセットを用いて, 実験結果を検証した。

関連論文リスト

• RadarGen: Automotive Radar Point Cloud Generation from Cameras [64.69976771710057]
  マルチビューカメラ画像からリアルな自動車用レーダー点雲を合成するための拡散モデルRadarGenを提案する。 RadarGenは、鳥の目視でレーダー計測を表現することで、レーダ領域への効率的な画像遅延拡散を適応する。 本稿では,RadarGenが特徴的レーダ計測分布を捕捉し,実データに基づいて学習した知覚モデルとのギャップを小さくすることを示す。
  論文  参考訳（メタデータ） (2025-12-19T18:57:33Z)
• DRO: Doppler-Aware Direct Radar Odometry [11.042292216861762]
  移動ロボットアプリケーションのためのレーダーによるセンシングのルネッサンスが進行中である。 スピン周波数変調連続波レーダのための新しいSE(2)オドメトリー手法を提案する。 提案手法は,公開データセットから250km以上のオンロードデータに対して検証されている。
  論文  参考訳（メタデータ） (2025-04-29T01:20:30Z)
• 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)
• SparseRadNet: Sparse Perception Neural Network on Subsampled Radar Data [5.344444942640663]
  レーダー生データは、しばしば過剰なノイズを含むが、レーダー点雲は限られた情報しか保持しない。 本稿では,適応的なサブサンプリング手法と,空間パターンを利用したネットワークアーキテクチャを提案する。 RADIalデータセットの実験により,SparseRadNetはオブジェクト検出における最先端(SOTA)性能を超え,自由空間セグメンテーションにおけるSOTA精度に近づいた。
  論文  参考訳（メタデータ） (2024-06-15T11:26:10Z)
• 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)
• 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)

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。