論文の概要: 4DRaL: Bridging 4D Radar with LiDAR for Place Recognition using Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2603.26206v1
• Date: Fri, 27 Mar 2026 09:28:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.421483
• Title: 4DRaL: Bridging 4D Radar with LiDAR for Place Recognition using Knowledge Distillation
• Title（参考訳）: 4DRaL:知識蒸留を用いた位置認識のためのLiDARを用いた4Dレーダのブリッジ
• Authors: Ningyuan Huang, Zhiheng Li, Zheng Fang,
• Abstract要約: 本研究では,4Dレーダの位置認識性能を向上させる4DRaLという新しいフレームワークを提案する。 その中核は、高性能LiDAR-to-LiDAR(L2L)位置認識モデルを教師として採用し、4Dレーダー-to-4Dレーダー(R2R)位置認識モデルのトレーニングを指導することである。 4DRaLは4Dレーダー対LiDAR(R2L)の位置認識のために異なるモジュール構成で訓練することもできる。
• 参考スコア（独自算出の注目度）: 8.2339711007408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Place recognition is crucial for loop closure detection and global localization in robotics. Although mainstream algorithms typically rely on cameras and LiDAR, these sensors are susceptible to adverse weather conditions. Fortunately, the recently developed 4D millimeter-wave radar (4D radar) offers a promising solution for all-weather place recognition. However, the inherent noise and sparsity in 4D radar data significantly limit its performance. Thus, in this paper, we propose a novel framework called 4DRaL that leverages knowledge distillation (KD) to enhance the place recognition performance of 4D radar. Its core is to adopt a high-performance LiDAR-to-LiDAR (L2L) place recognition model as a teacher to guide the training of a 4D radar-to-4D radar (R2R) place recognition model. 4DRaL comprises three key KD modules: a local image enhancement module to handle the sparsity of raw 4D radar points, a feature distribution distillation module that ensures the student model generates more discriminative features, and a response distillation module to maintain consistency in feature space between the teacher and student models. More importantly, 4DRaL can also be trained for 4D radar-to-LiDAR (R2L) place recognition through different module configurations. Experimental results prove that 4DRaL achieves state-of-the-art performance in both R2R and R2L tasks regardless of normal or adverse weather.
• Abstract（参考訳）: 位置認識は、ロボット工学におけるループ閉鎖検出とグローバルローカライゼーションに不可欠である。 主流のアルゴリズムは一般的にカメラやLiDARに依存しているが、これらのセンサーは悪天候の影響を受けやすい。 幸いなことに、最近開発された4Dミリ波レーダー(4Dレーダー)は、全天候の場所認識に有望なソリューションを提供する。 しかし、4Dレーダデータに固有のノイズと空間性は、その性能を著しく制限する。 そこで本研究では,知識蒸留(KD)を活用して4Dレーダの位置認識性能を向上させる4DRaLという新しいフレームワークを提案する。 その中核は、高性能LiDAR-to-LiDAR(L2L)位置認識モデルを教師として採用し、4Dレーダー-to-4Dレーダー(R2R)位置認識モデルのトレーニングを指導することである。 4DRaLは、3つのKDモジュールから構成される: 生の4Dレーダポイントの間隔を扱うローカル画像強調モジュール、学生モデルがより識別的な特徴を生成できるようにする特徴分散蒸留モジュール、教師モデルと生徒モデル間の特徴空間における一貫性を維持する応答蒸留モジュール。 さらに重要なことに、4DRaLは異なるモジュール構成で4Dレーダー対LiDAR(R2L)の位置認識のために訓練することもできる。 実験の結果, 4DRaLは, R2RとR2Lの両タスクにおいて, 正常・悪天候によらず, 最先端の性能を達成できることがわかった。

関連論文リスト

• Wavelet-based Multi-View Fusion of 4D Radar Tensor and Camera for Robust 3D Object Detection [44.78575994732947]
  WRCFormerは、デカップリングされたレーダーキューブのマルチビュー表現を介して、生のレーダーキューブとカメラ入力を融合する新しい3Dオブジェクト検出フレームワークである。 WRCFormerはK-Radarベンチマークで最先端のパフォーマンスを達成し、すべてのシナリオで最高のモデルを約2.4%上回っている。
  論文  参考訳（メタデータ） (2025-12-28T15:32:17Z)
• 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)
• ELMAR: Enhancing LiDAR Detection with 4D Radar Motion Awareness and Cross-modal Uncertainty [3.1212590312985986]
  本稿では,4次元レーダの動作状態とモード間不確実性により強化されたLiDAR検出フレームワークを提案する。 運転回廊内でのmAPは74.89%, 運転回廊内88.70%であった。
  論文  参考訳（メタデータ） (2025-06-22T09:28:14Z)
• 4D-ROLLS: 4D Radar Occupancy Learning via LiDAR Supervision [7.099012213719072]
  我々は,LiDAR点雲を監視信号として用いた4Dレーダの4D-ROLLSを提案する。 モデルは、下流タスクのBEVセグメンテーションとポイントクラウド占有率予測にシームレスに転送される。 この軽量ネットワークにより、4D-ROLLSモデルは4060 GPUで約30Hzの高速な推論速度を実現することができる。
  論文  参考訳（メタデータ） (2025-05-20T04:12:44Z)
• 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)
• Enhanced 3D Object Detection via Diverse Feature Representations of 4D Radar Tensor [5.038148262901536]
  Raw 4D Radar (4DRT) は従来の点雲よりも豊かな空間情報とドップラー情報を提供する。 効率を保ちつつ、4DRTの有用性を最大化する新しい3Dオブジェクト検出フレームワークを提案する。 本稿では, RTNHモデルよりもAP_3Dが7.3%, AP_BEVが9.5%向上したことを示す。
  論文  参考訳（メタデータ） (2025-02-10T02:48:56Z)
• SCKD: Semi-Supervised Cross-Modality Knowledge Distillation for 4D Radar Object Detection [16.127926058992237]
  本研究では,4次元レーダを用いた3次元物体検出のためのSCKD法を提案する。 セミ教師付き蒸留によるLidar-Radar融合教師ネットワークから特徴を学習する能力を特徴付ける。 同じネットワーク構造で、SCKDで訓練されたレーダーのみの学生は、ベースライン上でmAPを10.38%向上させる。
  論文  参考訳（メタデータ） (2024-12-19T06:42:25Z)
• V2X-R: Cooperative LiDAR-4D Radar Fusion with Denoising Diffusion for 3D Object Detection [64.93675471780209]
  我々は、LiDAR、カメラ、および4Dレーダを取り入れた初のシミュレーションV2XデータセットであるV2X-Rを提案する。 V2X-Rには12,079のシナリオがあり、LiDARと4Dレーダーポイント雲の37,727フレーム、150,908の画像、170,859の注釈付き3D車両バウンディングボックスがある。 本稿では,3次元物体検出のための新しいコラボレーティブLiDAR-4Dレーダ融合パイプラインを提案し,様々な融合戦略を用いて実装する。
  論文  参考訳（メタデータ） (2024-11-13T07:41:47Z)
• 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)
• 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)

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。