論文の概要: Radar Guided Camera Verification for Automatic Emergency Braking Rethinking Object Detection in Radar Camera Fusion

• arxiv url: http://arxiv.org/abs/2606.27556v1
• Date: Thu, 25 Jun 2026 21:13:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.315536
• Title: Radar Guided Camera Verification for Automatic Emergency Braking Rethinking Object Detection in Radar Camera Fusion
• Title（参考訳）: レーダカメラフュージョンにおける物体検出による自動緊急ブレーキ再考のためのレーダ誘導カメラ検証
• Abstract要約: 本稿では,レーダー誘導画像領域内の障害物検証を行うレーダースコープエッジ密度ゲートを提案する。 提案されたアプローチにより、カメラの検索スペースは最大98.7パーセント削減された。 33回にわたる脅威シナリオでは、完全なABBシステムは無故障のブレーキイベントを記録していた。
• 参考スコア（独自算出の注目度）: 1.8505741812953405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radar camera fusion is widely used in Automatic Emergency Braking AEB systems because radar provides reliable range and velocity measurements while cameras provide a proper visual confirmation of the objects . Most of the deployed systems perform this confirmation using computationally intensive object detectors. However, if the radar has already localized a target, the camera may only need to verify the obstacles presence rather than solving a full problem by identifying the object. Our work proposes a radar scoped edge density gate that performs obstacle verification within radar guided image regions of interest. This method requires no training data, model weights, or GPU acceleration and was integrated into a complete radar camera fusion AEB system with brake by wire actuation. Evaluated on a real instrumented vehicle across 72 driving sessions and 131,603 camera frames, the proposed approach reduced the camera search space by up to 98.7 percentage, achieved a mean processing latency of 0.121 ms per ROI, an AUC of 0.898, and a recall of 0.994. Across 33 staged threat scenarios, the complete AEB system recorded zero missed brake events.
• Abstract（参考訳）: レーダは、カメラが対象物の適切な視覚的確認を提供する一方で、信頼性の高い範囲と速度の測定を提供するため、自動緊急ブレーキAEBシステムでは、レーダカメラの融合が広く使用されている。 デプロイされたシステムの多くは、計算集約的な物体検出器を用いてこの確認を行う。 しかし、レーダーが既に目標を位置決めしている場合、カメラは物体を特定することで完全な問題を解決するのではなく、障害物の存在を検証する必要があるかもしれない。 本研究は,レーダー誘導画像領域内の障害物検証を行うレーダースコープエッジ密度ゲートを提案する。 この方法は、トレーニングデータ、モデルウェイト、GPUアクセラレーションを必要とせず、完全なレーダーカメラ融合ABBシステムに統合され、ワイヤアクティベーションによってブレーキが加えられた。 72回の運転セッションと131,603台のカメラフレームで実車上で評価を行い、提案手法によりカメラ検索スペースを最大98.7パーセント削減し、平均処理遅延が0.121ms/ROI、AUCが0.898、リコールが0.994となった。 33回にわたる脅威シナリオでは、完全なABBシステムは無故障のブレーキイベントを記録していた。

関連論文リスト

• RAF: Reliability-Aware Fusion of Camera, LiDAR, and 4D RADAR for Robust 3D Object Detection in Adverse Weather [47.7622249773517]
  本稿では,RAF(Reliability-Aware Fusion)を導入し,画素ごとの信頼度を明示的に推定し,信頼できない視覚的手がかりを識別・抑制するための直接学習信号を提供する。 RAFはLiDAR-RADARベースラインに対する検出精度を継続的に改善し、+6.5 $AP_BEV$と+7.4 $AP_3D$ゲインを達成している。
  論文  参考訳（メタデータ） (2026-07-06T01:24:35Z)
• 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)
• Revisiting Radar Camera Alignment by Contrastive Learning for 3D Object Detection [31.69508809666884]
  レーダとカメラ融合に基づく3次元物体検出アルゴリズムは優れた性能を示した。 レーダカメラアライメント(RCAlign)と呼ばれる新しいアライメントモデルを提案する。 具体的には、対向学習に基づくデュアルルートアライメント(DRA)モジュールを設計し、レーダとカメラの機能の整合と融合を図る。 レーダBEV特性の空間性を考慮すると,レーダBEV特性の密度化を改善するためにRFEモジュールが提案されている。
  論文  参考訳（メタデータ） (2025-04-23T02:41:43Z)
• 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)
• Bootstrapping Autonomous Driving Radars with Self-Supervised Learning [13.13679517730015]
  レーダモデルの訓練は、大規模レーダデータの注釈付けのコストと難しさによって妨げられている。 本研究では,未ラベルのレーダデータを事前学習型レーダのみの埋め込みに活用して,自律型認識タスクを実現するための自己教師型学習フレームワークを提案する。 下流オブジェクト検出に使用する場合、提案するセルフスーパービジョンフレームワークが、最先端の教師付きベースラインの精度をmAPで5.8%向上できることを実証する。
  論文  参考訳（メタデータ） (2023-12-07T18:38:39Z)
• 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)
• CRN: Camera Radar Net for Accurate, Robust, Efficient 3D Perception [20.824179713013734]
  カメラレーダ融合フレームワークであるカメラレーダネット(CRN)を提案する。 CRNは、様々なタスクに対して意味的にリッチで空間的に正確な鳥眼視(BEV)特徴マップを生成する。 リアルタイム設定のCRNは20FPSで動作し、nuScenes上のLiDAR検出器に匹敵する性能を実現している。
  論文  参考訳（メタデータ） (2023-04-03T00:47:37Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Scene-aware Learning Network for Radar Object Detection [29.869186047966945]
  Radarはロバスト性と低コストのため、ますます注目を集めている。 本稿では,高精度かつロバストな物体検出のためのシーン認識型レーダ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-03T17:19:56Z)
• Rethinking of Radar's Role: A Camera-Radar Dataset and Systematic Annotator via Coordinate Alignment [38.24705460170415]
  CRUWと呼ばれる新しいデータセットを体系的なアノテーションとパフォーマンス評価システムで提案する。 CRUWは、レーダーの無線周波数(RF)画像から3Dのオブジェクトを純粋に分類し、ローカライズすることを目指しています。 私たちの知る限り、CRUWは体系的なアノテーションと評価システムを備えた最初の公開大規模データセットです。
  論文  参考訳（メタデータ） (2021-05-11T17:13:45Z)
• 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。