論文の概要: DiffRadar: Differentiable Physics-Aware Radar SLAM with Gaussian Fields

• arxiv url: http://arxiv.org/abs/2607.12265v1
• Date: Tue, 14 Jul 2026 02:08:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.009483
• Title: DiffRadar: Differentiable Physics-Aware Radar SLAM with Gaussian Fields
• Title（参考訳）: DiffRadar:ガウス場を持つ微分物理対応レーダSLAM
• Abstract要約: DiffRadarはリアルタイムのレーダーSLAMシステムで、レーダー観測を物理を意識したガウス場としてモデル化する。 DiffRadarはこのシーンを異方性ガウス原始体として表現し、レンジアジマスとドップラーアジマス空間でレーダー計測を行う。 DiffRadarをコモディティFMCWレーダハードウェアに実装し、パブリックなRadarizeベンチマークと制御されたストレステストスイートの両方で評価する。
• 参考スコア（独自算出の注目度）: 8.442884076695789
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radar sensing is increasingly used in mobile systems because it operates reliably under poor lighting, adverse weather, and privacy-sensitive settings where cameras and LiDAR often fail. However, most existing radar SLAM systems estimate motion through scan matching on discretized radar heatmaps, which breaks geometric continuity and fails to capture key radar sensing properties, often leading to unstable pose estimation and degraded mapping in regenerate or dynamically changing environments. We present DiffRadar, a real-time radar SLAM system that models radar observations as a differentiable, physics-aware Gaussian field rather than discrete scans. DiffRadar represents the scene as anisotropic Gaussian primitives and renders radar measurements in range-azimuth and Doppler-azimuth spaces through a differentiable radar forward model, enabling joint optimization of robot pose and scene structure directly from radar measurements. We implement DiffRadar on commodity FMCW radar hardware and evaluate it on both the public Radarize benchmark and a controlled stress-test suite that targets common radar SLAM failure modes, including corridor degeneracy, motion regime transitions, dynamic clutter, and long-horizon loop closures. DiffRadar achieves substantial reductions in trajectory error on the benchmark, with especially large gains under feature-poor corridor motion, while more than doubling map consistency and maintaining real-time performance at 70 FPS. These results show that modeling radar observations directly in the signal domain enables substantially more robust and consistent radar-only SLAM for mobile platforms.
• Abstract（参考訳）: レーダセンシングは、低照度、悪天候、カメラとLiDARが頻繁に失敗するプライバシーに敏感な設定の下で確実に機能するため、モバイルシステムでますます使われている。 しかし、既存のレーダーSLAMシステムは、幾何的な連続性を破り、重要なレーダー感知特性を捉えることができず、しばしば再生または動的に変化する環境において不安定なポーズ推定と劣化したマッピングをもたらす、離散化されたレーダーヒートマップのスキャンマッチングを通して動きを推定する。 DiffRadarは、レーダー観測を離散走査ではなく、微分可能で物理学的なガウス場としてモデル化するリアルタイムレーダーSLAMシステムである。 DiffRadarは、このシーンを異方性ガウス原始体として表現し、レーダー測度から直接ロボットのポーズとシーン構造を共同最適化することを可能にし、レンジアジマスとドップラーアジマス空間におけるレーダー計測を微分可能なレーダフォワードモデルを通してレンダリングする。 DiffRadarをコモディティFMCWレーダハードウェアに実装し、一般のRadarizeベンチマークと、廊下縮退、運動状態遷移、動的クラッタ、長軸ループ閉鎖を含む共通のレーダーSLAM障害モードをターゲットにした制御ストレステストスイートの両方で評価する。 DiffRadarは、地図の一貫性を2倍にし、70FPSのリアルタイム性能を維持しながら、特に機能不足の廊下運動下での軌道誤差を大幅に削減する。 これらの結果から,信号領域内で直接レーダー観測をモデル化することで,モバイルプラットフォームにおいてより堅牢で一貫したレーダのみのSLAMを実現することができた。

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)
• RadarSplat-RIO: Indoor Radar-Inertial Odometry with Gaussian Splatting-Based Radar Bundle Adjustment [15.74169173366249]
  レーダーは視覚とライダーの同時位置決めとマッピング(SLAM)よりも悪天候や照明条件に耐性がある ほとんどのレーダーSLAMパイプラインは依然としてフレーム・ツー・フレームのドリフトに大きく依存している。 本稿では,高密度かつ微分可能な表現であるGaussian Splatting(GS)によって実現された,最初のレーダバンドル調整(BA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-15T05:26:46Z)
• 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)
• 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)
• 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)
• RSS-Net: Weakly-Supervised Multi-Class Semantic Segmentation with FMCW Radar [26.56755178602111]
  我々は、このタスクに使用される従来のセンサーよりも、より長い範囲で動作し、悪天候や照明条件に対してかなり堅牢なレーダーを提唱する。 RGBカメラやLiDARセンサーとレーダースキャンを関連付け,これまでに収集された最大の都市自治データセットを利用する。 本稿では,マルチチャンネル・レーダ・スキャン・インプットを用いて,短命でダイナミックなシーン・オブジェクトを扱うネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-02T11:40:26Z)

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。