論文の概要: Horizon3D: Sparse Radar-Camera Fusion for Long-Range 3D Perception in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2606.31096v1
- Date: Tue, 30 Jun 2026 03:36:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.067681
- Title: Horizon3D: Sparse Radar-Camera Fusion for Long-Range 3D Perception in Autonomous Driving
- Title（参考訳）: Horizon3D: 自律走行における長距離3次元知覚のためのスパースレーダカメラフュージョン
- Abstract要約: Horizon3Dは、長距離3Dオブジェクト検出のためのスパースレーダーカメラ融合フレームワークである。
TruckScenesの実験では、Horizon3Dは最先端のレーダーカメラによる3D検出性能を達成している。
- 参考スコア（独自算出の注目度）: 16.859308860662065
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-range 3D object detection is critical for safe autonomous driving at highway speeds, yet existing radar-camera fusion methods remain limited at extended ranges. BEV-based methods capture scene-level context but incur rapidly growing computation and often lose fine-grained object detail, while query-based methods are efficient but provide limited scene-level context. Temporal fusion further requires both multi-frame accumulation for sparse distant observations and object-level motion modeling for fast-moving objects. We propose Horizon3D, a sparse radar-camera fusion framework for long-range 3D object detection that combines Gaussian primitives with sparse BEV features. Horizon3D initializes Gaussian primitives at radar- and camera-estimated object keypoints using Keypoint-Guided Gaussian Initialization, refines them through Object-Centric Sparse Fusion, and splats them onto the BEV plane to fuse object-level detail with sparse radar BEV context. It further introduces Dual-Path Temporal Fusion, which aggregates temporal cues through a BEV path for scene-level accumulation and a Gaussian path for object-level motion propagation. Experiments on TruckScenes show that Horizon3D achieves state-of-the-art radar-camera 3D detection performance. On the validation set, it outperforms the previous best method by +3.0 NDS and +1.6 mAP while maintaining competitive inference speed.
- Abstract（参考訳）: 長距離3D物体検出は、高速での安全な自律走行には不可欠であるが、既存のレーダーカメラ融合法は広い範囲で限られている。
BEVベースの手法はシーンレベルのコンテキストをキャプチャするが、急速に増大する計算と、クエリベースの手法は効率的だがシーンレベルのコンテキストは限られている。
時間融合はさらに、スパース遠距離観測のための多フレーム蓄積と、高速移動物体のためのオブジェクトレベルの運動モデリングの両方を必要とする。
ガウスプリミティブとスパースBEV機能を組み合わせた長距離3Dオブジェクト検出のためのスパースレーダカメラ融合フレームワークであるHorizon3Dを提案する。
Horizon3Dは、キーポイント誘導ガウス初期化(Keypoint-Guided Gaussian Initialization)を使用して、レーダーおよびカメラで推定されたオブジェクトキーポイントでガウス原始体を初期化し、オブジェクト中心スパース融合(Object-Centric Sparse Fusion)を通じてそれらを洗練し、BEV平面上にスプラッティングして、スパースレーダBEVコンテキストでオブジェクトレベル詳細を融合する。
さらに、シーンレベルの蓄積のためのBEVパスと、オブジェクトレベルのモーション伝搬のためのガウスパスを通じて、時間的キューを集約するDual-Path Temporal Fusionを導入する。
TruckScenesの実験では、Horizon3Dは最先端のレーダーカメラによる3D検出性能を達成している。
検証セットでは、競合推論速度を維持しながら、+3.0 NDS と +1.6 mAP で以前のベストメソッドよりも優れていた。
関連論文リスト
- 4DR360: State Reasoning for Joint 3D Detection and Occupancy Prediction in 4D Radar-Camera Full-Scene Perception [12.807651354967183]
信頼性の高い自律運転には、密集したセマンティックレイアウトで前景オブジェクトを結合するフルシーンの認識が必要である。
永続的なシーン状態としての意味的占有をモデル化した,360ドル前後のフルシーン知覚のための4次元レーダカメラフレームワークを提案する。
我々は、ManTruckScenesを衛星マップベースで生成された占有ラベルで拡張し、OmniHD-Scenesと組み合わせて、クロスデータセット検出・占有プロトコルを統一する。
論文 参考訳（メタデータ） (2026-07-10T17:26:19Z) - RCGDet3D: Rethinking 4D Radar-Camera Fusion-based 3D Object Detection with Enhanced Radar Feature Encoding [3.65399248155853]
レーダ特徴抽出の簡易化は,精巧な融合モジュールと同等あるいはそれ以上の性能が得られることを示す。
本稿では,マルチモーダル核融合を簡略化し,レーダー特徴符号化を主眼とするRCGDet3Dを提案する。
The Experiments on View-of-Delft (VoD) and TJ4DRadSet shows that RCGDet3D are outperforms state-of-the-art method in both accuracy and speed。
論文 参考訳（メタデータ） (2026-05-20T12:45:01Z) - SFGFusion: Surface Fitting Guided 3D Object Detection with 4D Radar and Camera Fusion [12.877894178462297]
表面実装で誘導される新しいカメラ4Dイメージングレーダ検出ネットワークであるSFGFusionを紹介する。
明示的な表面嵌合モデルにより、空間表現とクロスモーダル相互作用が向上し、より信頼性の高い細粒度深度予測が可能となる。
実験結果から、SFGFusionはカメラと4Dレーダを効果的に融合させ、TJ4DRadSetとVoD(View-of-delft)オブジェクト検出ベンチマークにおいて優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-10-22T03:56:27Z) - 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) - RaCFormer: Towards High-Quality 3D Object Detection via Query-based Radar-Camera Fusion [58.77329237533034]
本稿では3次元物体検出の精度を高めるために,Raar-Camera fusion transformer (RaCFormer)を提案する。
RaCFormerは、nuScenesデータセット上で64.9% mAPと70.2%の優れた結果を得る。
論文 参考訳（メタデータ） (2024-12-17T09:47:48Z) - SpaRC: Sparse Radar-Camera Fusion for 3D Object Detection [7.889379973011702]
本稿では,マルチビュー画像セマンティクスとレーダとカメラポイント機能を統合した3次元認識のための新しいスパース融合変換器であるSpaRCを提案する。
nuScenes と TruckScenes のベンチマークに関する実証的な評価は、SpaRC が既存の密度の高い BEV ベースおよびスパースクエリベースの検出器より著しく優れていることを示している。
論文 参考訳（メタデータ） (2024-11-29T17:17:38Z) - PTT: Point-Trajectory Transformer for Efficient Temporal 3D Object Detection [66.94819989912823]
時間的3次元物体検出を効率的に行うために,長期記憶が可能な点トラジェクトリ変換器を提案する。
私たちは、メモリバンクのストレージ要件を最小限に抑えるために、現在のフレームオブジェクトのポイントクラウドとその履歴トラジェクトリを入力として使用します。
大規模データセットに対する広範な実験を行い、我々のアプローチが最先端の手法に対してうまく機能することを実証した。
論文 参考訳（メタデータ） (2023-12-13T18:59:13Z) - CoBEV: Elevating Roadside 3D Object Detection with Depth and Height Complementarity [34.025530326420146]
我々は、新しいエンドツーエンドのモノクロ3Dオブジェクト検出フレームワークであるComplementary-BEVを開発した。
道路カメラを用いたDAIR-V2X-IとRope3Dの公開3次元検出ベンチマークについて広範な実験を行った。
カメラモデルのAPスコアが初めてDAIR-V2X-Iで80%に達する。
論文 参考訳（メタデータ） (2023-10-04T13:38:53Z) - Fully Sparse Fusion for 3D Object Detection [69.32694845027927]
現在広く使われているマルチモーダル3D検出法は、通常、密度の高いBird-Eye-View特徴マップを使用するLiDARベースの検出器上に構築されている。
完全にスパースなアーキテクチャは、長距離知覚において非常に効率的であるため、注目を集めている。
本稿では,新たに出現するフルスパースアーキテクチャにおいて,画像のモダリティを効果的に活用する方法を検討する。
論文 参考訳（メタデータ） (2023-04-24T17:57:43Z) - BEV-MAE: Bird's Eye View Masked Autoencoders for Point Cloud
Pre-training in Autonomous Driving Scenarios [51.285561119993105]
自律運転におけるLiDARに基づく3Dオブジェクト検出のための,効率的なマスク付きオートエンコーダ事前学習フレームワークであるBEV-MAEを提案する。
具体的には、3Dエンコーダ学習特徴表現を導くために,鳥の目視(BEV)誘導マスキング戦略を提案する。
学習可能なポイントトークンを導入し、3Dエンコーダの一貫性のある受容的フィールドサイズを維持する。
論文 参考訳（メタデータ） (2022-12-12T08:15:03Z) - 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。