論文の概要: Learning Spatial Structure from Pre-Beamforming Per-Antenna Range-Doppler Radar Data via Visibility-Aware Cross-Modal Supervision

• arxiv url: http://arxiv.org/abs/2604.01921v1
• Date: Thu, 02 Apr 2026 11:39:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.712392
• Title: Learning Spatial Structure from Pre-Beamforming Per-Antenna Range-Doppler Radar Data via Visibility-Aware Cross-Modal Supervision
• Title（参考訳）: 可視性を考慮したクロスモーダル・スーパービジョンによるアンテナ間距離ドップラーレーダデータからの空間構造学習
• Authors: George Sebastian, Philipp Berthold, Bianca Forkel, Leon Pohl, Mirko Maehlisch,
• Abstract要約: アンテナ間距離-ドップラー測定から有意義な空間構造を直接学べるか? 実験は6-TX x 8-RX (48仮想アンテナ)で行われた。 エンド・ツー・エンド・エンド・エンド・データ駆動方式で訓練されたデュアルチャープ共有重み付きエンコーダを用いて、アンテナ毎のRDテンソルの事前動作を行う。
• 参考スコア（独自算出の注目度）: 2.348805691644085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automotive radar perception pipelines commonly construct angle-domain representations via beamforming before applying learning-based models. This work instead investigates a representational question: can meaningful spatial structure be learned directly from pre-beamforming per-antenna range-Doppler (RD) measurements? Experiments are conducted on a 6-TX x 8-RX (48 virtual antennas) commodity automotive radar employing an A/B chirp-sequence frequency-modulated continuous-wave (CS-FMCW) transmit scheme, in which the effective transmit aperture varies between chirps (single-TX vs. multi-TX), enabling controlled analysis of chirp-dependent transmit configurations. We operate on pre-beamforming per-antenna RD tensors using a dual-chirp shared-weight encoder trained in an end-to-end, fully data-driven manner, and evaluate spatial recoverability using bird's-eye-view (BEV) occupancy as a geometric probe rather than a performance-driven objective. Supervision is visibility-aware and cross-modal, derived from LiDAR with explicit modeling of the radar field-of-view and occlusion-aware LiDAR observability via ray-based visibility. Through chirp ablations (A-only, B-only, A+B), range-band analysis, and physics-aligned baselines, we assess how transmit configurations affect geometric recoverability. The results indicate that spatial structure can be learned directly from pre-beamforming per-antenna RD tensors without explicit angle-domain construction or hand-crafted signal-processing stages.
• Abstract（参考訳）: オートモーティブレーダ認識パイプラインは、学習ベースモデルを適用する前にビームフォーミングを介して角度領域表現を構築するのが一般的である。 この研究は代わりに、意味のある空間構造は、アンテナごとのレンジ・ドップラー(RD)測定から直接学べるかという表現的疑問を考察する。 A/Bチャープ周波数変調連続波(CS-FMCW)送信方式を用いた6-TX x 8-RX (48仮想アンテナ) のコモディティカーレーダを用いて実験を行った。 本研究では,エンド・ツー・エンドで完全にデータ駆動方式で訓練されたデュアルチャープ共有重み付きエンコーダを用いて,アンテナ間RDテンソルの事前演奏を行い,鳥眼ビュー(BEV)の占有率をパフォーマンス駆動目的ではなく幾何学的プローブとして評価した。 Supervisionは可視性とクロスモーダルであり、レーダフィールド・オブ・ビューとオクルージョン・ア・オブ・オブザーバビリティをレイベースの可視性を通じて明示的にモデル化したLiDARから派生している。 チャープアブレーション (A-only, B-only, A+B), レンジバンド解析, 物理対応ベースラインを通じて, 伝送構成が幾何的復元可能性にどのように影響するかを評価する。 以上の結果から,手作り信号処理の段階を経ることなく,アンテナ間RDテンソルから空間構造を直接学習できることが示唆された。

関連論文リスト

• RLPR: Radar-to-LiDAR Place Recognition via Two-Stage Asymmetric Cross-Modal Alignment for Autonomous Driving [14.25906590501402]
  Radar-to-LiDARの位置認識は、既存のLiDARマップ内のレーダースキャンをローカライズすることができる。 RLPRは、単一チップ、走査、および4Dレーダと互換性のある堅牢なレーダー対LiDAR位置認識フレームワークである。 4つのデータセットの実験により、RLPRは強力なゼロショット一般化能力で認識精度を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-09T03:28:44Z)
• Sim2Radar: Toward Bridging the Radar Sim-to-Real Gap with VLM-Guided Scene Reconstruction [2.3510064024442374]
  Sim2Radarは、単一ビューのRGBイメージから直接レーダーデータを合成するエンドツーエンドのフレームワークである。 Sim2Radarは、単眼深度推定、セグメンテーション、視覚言語推論を組み合わせることで、素材を意識した3Dシーンを再構築する。 Sim2Radarは、現実世界の屋内シーンで評価され、トランスファーラーニングを通じて下流の3Dレーダー知覚を改善する。
  論文  参考訳（メタデータ） (2026-02-10T10:56:47Z)
• 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)
• Simulate Any Radar: Attribute-Controllable Radar Simulation via Waveform Parameter Embedding [12.285004244174917]
  SA-Radarは、カスタマイズ可能なレーダー属性に基づいて、制御可能で効率的なレーダーキューブの生成を可能にするレーダーシミュレーションアプローチである。 我々は、波形パラメータを符号化したレーダ属性を条件とした3次元U-NetであるICFAR-Netを設計し、異なるレーダ構成によって引き起こされる信号の変動を捉える。 我々のフレームワークは、新しいセンサ視点と編集シーンのシミュレーションもサポートしており、自動運転アプリケーションのための汎用レーダーデータエンジンとしての可能性を示している。
  論文  参考訳（メタデータ） (2025-06-03T17:58:28Z)
• Deep Learning-based Target-To-User Association in Integrated Sensing and Communication Systems [8.401664608719633]
  基地局にMIMO(Multi-Input-multiple-output)レーダーを装備したレーダ支援通信システムについて検討する。 提案されたターゲット・ツー・ユーザー協会(T2U)は2つの段階から構成される。 複合マルチターゲット検出とビーム推定は、一度だけ(YOLO)モデルを変更することで得られる。
  論文  参考訳（メタデータ） (2024-01-11T00:45:33Z)
• 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)
• Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling [65.17711407805756]
  Sionnaは、リンクレベルのシミュレーションをベースとしたGPUアクセラレーションのオープンソースライブラリである。 リリース v0.14 以降、電波伝搬のシミュレーションのために微分可能なレイトレーサ (RT) を統合している。
  論文  参考訳（メタデータ） (2023-03-20T13:40:11Z)
• Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
  本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。 このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T01:44:30Z)
• Fully Convolutional One-Stage 3D Object Detection on LiDAR Range Images [96.66271207089096]
  FCOS-LiDARは、自律走行シーンのLiDAR点雲のための完全な1段式3Dオブジェクト検出器である。 標準的な2Dコンボリューションを持つRVベースの3D検出器は、最先端のBEVベースの検出器と同等の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-05-27T05:42:16Z)

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。