論文の概要: On the Characterization and Limits of 4D Radar for Aided Inertial Navigation
- arxiv url: http://arxiv.org/abs/2605.01773v1
- Date: Sun, 03 May 2026 08:12:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.932037
- Title: On the Characterization and Limits of 4D Radar for Aided Inertial Navigation
- Title（参考訳）: 補助慣性ナビゲーションのための4次元レーダの特性と限界について
- Authors: Morten Nissov, Kostas Alexis,
- Abstract要約: ノイズモデルは、典型的なレーダセンサの信号処理に第一原理を適用することによって導出される。
この手法はまずシミュレーションによって検討され、異なるノイズ源の意義を評価する。
実験は、様々なフィールド環境と飛行プロファイルにまたがる提案手法の優れたロバスト性と精度を示す。
- 参考スコア（独自算出の注目度）: 11.648973329789973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Frequency Modulated Continuous Wave (FMCW) radar is a promising sensor for aided inertial navigation, due to its robustness in environments that challenge traditional alternatives, such as LiDAR and vision. However, its widespread adoption is hindered by complex, noisy measurements, which make reliable estimation difficult. This manuscript addresses these challenges by analyzing the fundamental measurement relations of FMCW radar sensing and developing a reliable estimator. Noise models are derived by applying first principles to the underlying signal processing of a typical radar sensor. These models guide the design of a factor graph-based estimator, utilizing a first-order approximation for the measurement noise propagation. The approach is first examined through simulation, evaluating the significance of different noise sources, the validity of the first-order approximation, and the state-dependent nature of the covariance expressions. Extensive experiments demonstrate the superior robustness and accuracy of the proposed method across diverse field environments and flight profiles, including beyond the radar's standard operating range. Furthermore, the experiments confirm the insights from the simulation regarding the behavior and performance of different estimator configurations relative to their operating conditions. The evaluation data and estimator implementation are made available at https://github.com/ntnu-arl/rig.
- Abstract（参考訳）: 周波数変調連続波(FMCW)レーダーは、LiDARやビジョンといった従来の代替手段に挑戦する環境における堅牢性のために、慣性航法を支援するための有望なセンサーである。
しかし、その普及は複雑でノイズの多い測定によって妨げられ、信頼性の高い推定が困難になる。
本論文は、FMCWレーダセンシングの基本的測定関係を分析し、信頼性の高い推定器を開発することにより、これらの課題に対処する。
ノイズモデルは、典型的なレーダセンサの信号処理に第一原理を適用することによって導出される。
これらのモデルは、測定ノイズ伝搬の1次近似を利用して、因子グラフに基づく推定器の設計を導く。
提案手法はまず,異なるノイズ源の重要度,一階近似の妥当性,および共分散表現の状態依存性について,シミュレーションにより検討する。
広範囲にわたる実験により、レーダーの標準的な運用範囲を超えて、様々なフィールド環境と飛行プロファイルにわたる提案手法の優れた堅牢性と精度が実証された。
さらに, 実験により, 動作条件に対する異なる推定器構成の挙動と性能に関するシミュレーションから得られた知見を検証した。
評価データと推定器の実装はhttps://github.com/ntnu-arl/rig.comで公開されている。
関連論文リスト
- Transformer-Based Indirect Structural Health Monitoring of Rail Infrastructure with Attention-Driven Detection and Localization of Transient Defects [1.1782896991259]
我々は,段階的に複雑な課題に対してモデルロバスト性を評価するために,漸進的な合成データベンチマークを導入する。
提案するアテンション・フォーカス変換器とともに,複数の教師なしモデルを評価する。
提案モデルでは,提案手法の精度は最先端の解に匹敵するが,推論速度は向上する。
論文 参考訳（メタデータ） (2025-10-08T23:01:53Z) - OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T18:30:29Z) - Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳（メタデータ） (2023-06-15T17:03:14Z) - A Multi-Layered Approach for Measuring the Simulation-to-Reality Gap of
Radar Perception for Autonomous Driving [0.0]
仮想テストに頼るためには、採用されているセンサーモデルを検証する必要がある。
レーダ知覚のこのシミュレーションと現実のギャップを測定するための音響手法は存在しない。
提案手法の有効性を,詳細なセンサモデルによる評価により検証した。
論文 参考訳（メタデータ） (2021-06-15T18:51:39Z) - Deep Evaluation Metric: Learning to Evaluate Simulated Radar Point
Clouds for Virtual Testing of Autonomous Driving [0.0]
仮想テストのための環境センサモデルの使用は、自動運転のテスト労力を減らすための有望なアプローチです。
本研究では,ニューラルネットワークを訓練し,実際のレーダセンサデータとシミュレートしたレーダセンサデータを区別する。
本稿では,合成レーダデータの忠実度を決定する指標として,実レーダ点雲のクラスに対する分類器の信頼性スコアを提案する。
論文 参考訳（メタデータ） (2021-04-14T11:04:50Z) - Deep Interference Mitigation and Denoising of Real-World FMCW Radar
Signals [16.748215232763517]
実世界レーダ計測における干渉緩和のための畳み込みニューラルネットワーク(CNN)に基づくアプローチの評価を行った。
実測値と模擬干渉を組み合わせることで,モデルの学習に適した入力出力データを生成する。
論文 参考訳（メタデータ） (2020-12-04T11:22:13Z) - Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。
レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。
実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文 参考訳（メタデータ） (2020-09-30T19:01:33Z) - A Sensitivity Analysis Approach for Evaluating a Radar Simulation for
Virtual Testing of Autonomous Driving Functions [0.0]
レーダシミュレーションの開発と評価のための感度解析手法を提案する。
モジュラーレーダシステムのシミュレーションを提示・パラメータ化して感度解析を行う。
レーダモデルの出力と実走行の測定値を比較して,現実的なモデルの挙動を確かめる。
論文 参考訳（メタデータ） (2020-08-06T15:51:52Z)
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。