論文の概要: 4D Radar Meets LiDAR and Camera: Cooperative Perception under Adverse Weather

• arxiv url: http://arxiv.org/abs/2606.00416v1
• Date: Fri, 29 May 2026 23:13:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.39207
• Title: 4D Radar Meets LiDAR and Camera: Cooperative Perception under Adverse Weather
• Title（参考訳）: 4D RadarのLiDARとカメラ: 逆風下での協調認識
• Abstract要約: 協調認識は自律運転には重要であるが、悪天候下でカメラとLiDARが劣化した場合は脆弱である。 この課題に対して,4次元イメージングレーダを気象変動モードとして協調的な知覚に組み込むことで対処する。 本研究は,全天候の協調知覚における頑健なモダリティとして,4次元イメージングレーダに注目した。
• 参考スコア（独自算出の注目度）: 1.2384156776799256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cooperative perception is important for autonomous driving but remains fragile when cameras and LiDAR degrade in adverse weather. We address this challenge by integrating 4D imaging radar as a weather-robust modality into collaborative perception and introducing a Doppler-guided spatial attention mechanism for multi-agent fusion. Our approach extends two representative backbones: a radar-camera pipeline where radar substitutes LiDAR, and a LiDAR-radar pipeline where radar complements LiDAR. To support evaluation, we release radar-augmented benchmarks, OPV2V-R and Adver-City-R, with physics-based LiDAR degradation. Experiments show strong robustness gains in fog and rain, including substantial improvements when radar replaces degraded LiDAR. Additional validation on MAN TruckScenes demonstrates transfer beyond simulation. Overall, our results highlight 4D imaging radar as a robust modality for all-weather collaborative perception. Dataset and code are available at: https://url.fzi.de/SlimComm.
• Abstract（参考訳）: 協調認識は自律運転において重要であるが、カメラとLiDARが悪天候下で劣化しても脆弱なままである。 この課題に対して,4次元イメージングレーダを天候-腐食モードとして協調知覚に統合し,マルチエージェント核融合のためのドップラー誘導空間アテンション機構を導入する。 提案手法は,LiDARを代替するレーダーカメラパイプラインと,LiDARを補完するLiDARレーダパイプラインの2つの代表的なバックボーンを拡張する。 評価を支援するため,物理に基づくLiDAR劣化を伴うレーダ拡張ベンチマーク,OPV2V-R,Adver-City-Rをリリースする。 実験では霧や雨で強い頑丈さが向上し、レーダーが劣化したLiDARを置き換えると大幅に改善された。 MAN TruckScenesのさらなる検証は、シミュレーション以上の移行を示す。 本研究は,4次元イメージングレーダを全天候協調知覚のロバストなモダリティとして強調した。 データセットとコードは、https://url.fzi.de/SlimComm.com/で利用可能である。

関連論文リスト

• RadarSim: Simulating Single-Chip Radar via Multimodal Neural Fields [49.41438378775056]
  レーダーはカメラの理想的な補完であり、カメラは細かな角分解能を提供し、レーダーは悪天候下でメートル法的な深さと頑丈さを提供する。 RadarSimはレーダーのみの再構築よりもシャープな幾何学とドップラーレンジフレームを生成する。
  論文  参考訳（メタデータ） (2026-05-25T21:03:40Z)
• 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)
• 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)
• 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)
• 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)
• MVFAN: Multi-View Feature Assisted Network for 4D Radar Object Detection [15.925365473140479]
  4Dレーダーは、悪天候下での弾力性と費用対効果が認められている。 LiDARやカメラとは異なり、レーダーは厳しい気象条件で損傷を受けないままである。 本稿では,自律走行車のためのレーダーによる3次元物体検出手法を提案する。
  論文  参考訳（メタデータ） (2023-10-25T06:10:07Z)
• 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)
• 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。