論文の概要: RadLoc: Radar-based 3-DoF Global Localization via Fast, Robust, and Lightweight Spatial Descriptor Across Diverse Environmental Scenarios
- arxiv url: http://arxiv.org/abs/2607.08115v1
- Date: Thu, 09 Jul 2026 05:21:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.416668
- Title: RadLoc: Radar-based 3-DoF Global Localization via Fast, Robust, and Lightweight Spatial Descriptor Across Diverse Environmental Scenarios
- Title（参考訳）: RadLoc: 高速・ロバスト・軽量空間記述子によるレーダベースの3DoFグローバルローカライゼーション
- Authors: Hogyun Kim, Jiwon Choi, Jungwoo Lee, Younggun Cho,
- Abstract要約: RadLocは、位置認識から3DoFポーズ推定まで、高速で堅牢で軽量なエンドツーエンドパイプラインである。
SLAMおよびマルチセッションSLAMシステムに適用可能な多目的グローバルローカライゼーションモジュールを形成する。
5つのデータセットにわたる15のシーケンスの実験は、RadLocが堅牢なパフォーマンスを実現することを示す。
- 参考スコア（独自算出の注目度）: 8.705677612947742
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: While global localization using spinning radar has gained attention for its robustness to adverse weather and challenging environments, many studies have focused on individual components such as place recognition or pose estimation. In this paper, we take a holistic view of radar sensor-based global localization and present RadLoc, a fast, robust, and lightweight end-to-end pipeline from place recognition to 3-DoF pose estimation. RadLoc accelerates pre-processing using 1D CA-CFAR filtering and leverages the near-range dominance in spinning radar images to design a compact descriptor and an efficient hierarchical coarse-to-fine retrieval strategy. Moreover, coupled with phase correlation-based 3-DoF pose estimation, it forms a versatile global localization module applicable to SLAM and multi-session SLAM systems. Extensive experiments on 15 sequences across 5 datasets demonstrate that RadLoc achieves robust performance while maintaining the smallest descriptor size and fastest retrieval time among state-of-the-art approaches. The supplementary materials are available at https://sparolab.github.io/research/radloc/.
- Abstract（参考訳）: 回転レーダを用いたグローバルなローカライゼーションは、悪天候や困難な環境に対するロバスト性から注目されているが、多くの研究は、位置認識やポーズ推定といった個々のコンポーネントに焦点を当てている。
本稿では,レーダセンサを用いたグローバルローカライゼーションの全体像と,位置認識から3DoFポーズ推定まで,高速で堅牢で軽量なエンドツーエンドパイプラインRadLocについて述べる。
RadLocは、1D CA-CFARフィルタリングによる前処理を高速化し、回転レーダ画像における近距離優位を利用して、コンパクトな記述子と効率的な階層的粗い検索戦略を設計する。
さらに、位相相関に基づく3DoFポーズ推定と組み合わせて、SLAMおよびマルチセッションSLAMシステムに適用可能な多目的グローバルローカライゼーションモジュールを形成する。
5つのデータセットにまたがる15のシーケンスに対する大規模な実験により、RadLocは、最小の記述子サイズと最先端のアプローチ間の最速の検索時間を維持しながら、堅牢なパフォーマンスを実現していることが示された。
追加資料はhttps://sparolab.github.io/research/radloc/で公開されている。
関連論文リスト
- RAFT-MSF++: Temporal Geometry-Motion Feature Fusion for Self-Supervised Monocular Scene Flow [51.43025173196566]
単眼のシーンフロー推定は画像列から高密度な3次元動きを復元することを目的としている。
RAFT-MSF++は,時間的特徴を融合して深度とシーンフローを推定する自己教師型マルチフレームフレームワークである。
実験の結果、RAFT-MSF++はKITTI Scene Flowベンチマークで24.14%のSF-allを達成した。
論文 参考訳（メタデータ） (2026-04-21T11:32:49Z) - OPAL: Visibility-aware LiDAR-to-OpenStreetMap Place Recognition via Adaptive Radial Fusion [42.38955435522421]
OPALは、OpenStreetMap(OSM)を軽量で最新のものとして活用する、LiDARの位置認識のための新しいフレームワークである。
私たちの重要なイノベーションは、疎いLiDARスキャンと、慎重に設計された2つのコンポーネントを通して構造化されたOSMデータのドメイン格差を埋めることにあります。
KITTIとKITTI-360データセットの実験はOPALの優位性を示し、トップ1検索マッチの1m閾値で15.98%高いリコールを達成した。
論文 参考訳（メタデータ） (2025-04-27T14:39:26Z) - TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。
具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。
従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
論文 参考訳（メタデータ） (2025-04-16T05:25:04Z) - 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) - LiCROcc: Teach Radar for Accurate Semantic Occupancy Prediction using LiDAR and Camera [22.974481709303927]
3Dレーダーは、自動運転アプリケーションにおけるLiDARを徐々に置き換えている。
我々は,点雲と画像の融合フレームワークを実現するために,BEVに3段階の密接な融合手法を提案する。
提案手法はレーダー専用(R-LiCROcc)とレーダーカメラ(RC-LiCROcc)の両方での性能を向上させる。
論文 参考訳（メタデータ） (2024-07-23T05:53:05Z) - RaLF: Flow-based Global and Metric Radar Localization in LiDAR Maps [8.625083692154414]
我々は、環境のLiDARマップにレーダースキャンをローカライズするための、新しいディープニューラルネットワークベースのアプローチであるRaLFを提案する。
RaLFは、レーダーとLiDAR機能エンコーダ、グローバルなディスクリプタを生成する場所認識ヘッド、レーダースキャンとマップ間の3DF変換を予測するメートル法ローカライゼーションヘッドで構成されている。
複数の実世界の運転データセットに対する我々のアプローチを広く評価し、RaLFが位置認識とメートル法ローカライゼーションの両方において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） (2023-09-18T15:37:01Z) - PointOcc: Cylindrical Tri-Perspective View for Point-based 3D Semantic
Occupancy Prediction [72.75478398447396]
本稿では,点雲を効果的かつ包括的に表現する円筒型三重対視図を提案する。
また,LiDAR点雲の距離分布を考慮し,円筒座標系における三点ビューを構築した。
プロジェクション中に構造の詳細を維持するために空間群プーリングを使用し、各TPV平面を効率的に処理するために2次元バックボーンを採用する。
論文 参考訳（メタデータ） (2023-08-31T17:57:17Z) - Large-Scale Topological Radar Localization Using Learned Descriptors [15.662820454886202]
本稿では、レーダースキャン画像から回転不変なグローバルディスクリプタを計算するための、単純かつ効率的なディープネットワークアーキテクチャを提案する。
提案手法の性能と一般化能力を2つの大規模運転データセットで実験的に評価した。
論文 参考訳（メタデータ） (2021-10-06T21:57:23Z) - LODE: Deep Local Deblurring and A New Benchmark [106.80269193462712]
我々はBLur-Aware Deblurring Network(BladeNet)と呼ばれる新しいフレームワークを提案する。
ローカルブラー合成モジュールは局所的にぼやけたトレーニングペアを生成し、ローカルブラー知覚モジュールは局所的にぼやけた領域を自動的に捕捉し、Blar-guided Space Attentionモジュールは遅延ネットワークを空間的注意でガイドする。
我々は,REDS と LODE データセットの広範な実験を行い,BladeNet がPSNR を 2.5dB で改善し,SotAs を局所的に改善し,グローバルデブロアに匹敵する性能を維持していることを示す。
論文 参考訳（メタデータ） (2021-09-19T15:57:28Z) - DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF
Relocalization [56.15308829924527]
生の3D点から直接3次元特徴の検出と記述を共同で学習するシームズネットワークを提案する。
3次元キーポイントを検出するために,局所的な記述子の識別性を教師なしで予測する。
各種ベンチマーク実験により,本手法はグローバルポイントクラウド検索とローカルポイントクラウド登録の両面で競合する結果が得られた。
論文 参考訳（メタデータ） (2020-07-17T20:21:22Z)
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。