論文の概要: Radar-Informed 3D Multi-Object Tracking under Adverse Conditions

• arxiv url: http://arxiv.org/abs/2604.13571v2
• Date: Tue, 21 Apr 2026 14:55:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 14:04:47.613782
• Title: Radar-Informed 3D Multi-Object Tracking under Adverse Conditions
• Title（参考訳）: 逆条件下におけるレーダインフォームド3次元物体追跡
• Authors: Bingxue Xu, Emil Hedemalm, Ajinkya Khoche, Patric Jensfelt,
• Abstract要約: RadarMOTはレーダーインフォームド3Dマルチオブジェクト追跡フレームワークである。 レーダー点雲を追加観測として、状態推定を洗練させ、長い範囲で検出器が見逃した物体を回収する。 RadarMOTは、AMOTA(Average Multi-Object Tracking Accuracy)を長距離で12.7%、悪天候で最大10.3%改善している。
• 参考スコア（独自算出の注目度）: 2.5755864395384775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The challenge of 3D multi-object tracking is achieving robustness in real-world applications, for example under adverse conditions and maintaining consistency as distance increases. To overcome these challenges, sensor fusion approaches that combine LiDAR, cameras, and radar have emerged. However, existing multimodal methods usually treat radar as another learned feature inside the network. When the overall model degrades in difficult environments, the robustness advantages that radar could provide are also reduced. In this paper we propose RadarMOT, a radar-informed 3D multi-object tracking framework that explicitly uses radar point clouds as additional observations to refine state estimation and recover objects missed by the detector at long ranges. Evaluations on the MAN-TruckScenes dataset show that RadarMOT consistently improves the Average Multi-Object Tracking Accuracy (AMOTA) by 12.7\% at long range and up to 10.3\% in adverse weather. The code will be available at https://github.com/bingxue-xu/radarmot
• Abstract（参考訳）: 3次元多対象追跡の課題は、例えば悪条件下では現実世界のアプリケーションで堅牢性を達成し、距離が増加するにつれて一貫性を維持することである。 これらの課題を克服するために、LiDAR、カメラ、レーダーを組み合わせたセンサー融合アプローチが登場した。 しかし、既存のマルチモーダル手法は通常、レーダーをネットワーク内の別の学習機能として扱う。 全体モデルが難しい環境で劣化すると、レーダーが提供するロバスト性も低下する。 本稿では,レーダーインフォームド3次元多物体追跡フレームワークであるRadarMOTを提案する。 MAN-TruckScenesデータセットの評価によると、RadarMOTは長距離で平均多物体追跡精度(AMOTA)を12.7%、悪天候で最大10.3%改善している。 コードはhttps://github.com/bingxue-xu/radarmotで入手できる。

関連論文リスト

• HyperDet: 3D Object Detection with Hyper 4D Radar Point Clouds [7.899148878601621]
  検出器に依存しないレーダーのみの3D検出フレームワークであるHyperDetを提案する。 標準的なLiDAR指向検出器のためのタスク対応のハイパー4Dレーダーポイントクラウドを構築している。 MAN TruckScenesでは、HyperDetはVoxelNeXtとCenterPointによる生のレーダー入力よりも一貫して改善されている。
  論文  参考訳（メタデータ） (2026-02-12T04:21:58Z)
• 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)
• 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)
• 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)
• 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)
• RadarFormer: Lightweight and Accurate Real-Time Radar Object Detection Model [13.214257841152033]
  レーダー中心のデータセットは、レーダー知覚のためのディープラーニング技術の開発にはあまり注目されていない。 本稿では,視覚深層学習における最先端技術を活用したトランスフォーマーモデルRadarFormerを提案する。 また、チャネルチャープ時マージモジュールを導入し、精度を損なうことなく、モデルのサイズと複雑さを10倍以上に削減する。
  論文  参考訳（メタデータ） (2023-04-17T17:07:35Z)
• 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)
• 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。