論文の概要: Dense Soft Weighting for Radar Ego-Velocity Estimation

• arxiv url: http://arxiv.org/abs/2607.26980v1
• Date: Wed, 29 Jul 2026 14:37:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.704483
• Title: Dense Soft Weighting for Radar Ego-Velocity Estimation
• Title（参考訳）: レーダーEgo-Velocity推定のための高密度軟度化
• Abstract要約: 本稿では,エゴ速度推定のための分析レーダフロントエンドであるDense Soft Weightingを提案する。 すべてのレンジドップラーセルを2値検出閾値を強制するのではなく、連続した信頼度にマッピングする。 これは、最強のCFARポイントクラウドベースラインと比較して平均的な絶対的なポーズエラーを31-45%削減する。
• 参考スコア（独自算出の注目度）: 6.356174487225252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sensing ego-velocity estimation is fundamental to state estimation in visually degraded environments, where camera- and LiDAR-based pipelines can become unreliable. Millimetre-wave radar is well suited to these conditions because it provides direct Doppler velocity sensing and remains robust to poor illumination, textureless scenes, and airborne particulates. However, conventional radar ego-velocity pipelines typically apply constant false alarm rate (CFAR) thresholding to convert dense radar spectra into sparse point clouds, prematurely discarding sub-threshold returns that may still retain useful Doppler motion cues. We present Dense Soft Weighting, an analytic radar front-end that maps every range-Doppler cell to a continuous confidence metric rather than enforcing a binary detection threshold. Ego-velocity is then estimated using a deterministic robust weighted least-squares formulation, while the same weighted measurements provide a closed-form, measurement-derived velocity covariance for integration with a shared inertial back-end. The method requires no platform-specific training data or learning-based uncertainty model, supporting transfer across single-chip radar configurations. Across two public datasets and one self-collected dataset, Dense Soft Weighting reduces mean absolute pose error by 31-45% relative to the strongest CFAR point-cloud baseline under an identical inertial back-end, while running in real time on embedded hardware.
• Abstract（参考訳）: エゴ速度の推定は、カメラとLiDARベースのパイプラインが信頼できないような、視覚的に劣化した環境における状態推定に不可欠である。 ミリ波レーダーは、直接ドップラー速度検出を提供し、照明の悪さ、質感のないシーン、空中に浮かぶ微粒子に対して頑丈であるため、これらの条件に適している。 しかし、従来のレーダーエゴ速度パイプラインは、通常、密度の高いレーダースペクトルを粗い点雲に変換するために、一定の偽アラームレート(CFAR)のしきい値を適用し、ドップラー運動キューを保持する可能性のあるサブスレッショルドリターンを早期に破棄する。 Dense Soft Weightingは、すべてのレンジドップラーセルをバイナリ検出閾値を強制するのではなく、連続した信頼度にマッピングする分析レーダーフロントエンドである。 エゴ速度は、決定論的に頑健な重み付き最小二乗の定式化を用いて推定され、同じ重み付き測定は、共有慣性バックエンドと統合するための閉形式、測定から導かれる速度共分散を提供する。 この方法は、プラットフォーム固有のトレーニングデータや学習ベースの不確実性モデルを必要としない。 2つの公開データセットと1つの自己コンパイルデータセットにわたって、Dense Soft Weightingは、組み込みハードウェア上でリアルタイムに実行しながら、同じ慣性バックエンドの下で最強のCFARポイントクラウドベースラインと比較して、平均的な絶対的なポーズエラーを31～45%削減する。

関連論文リスト

• RaDiVe: Robust 4D Radar Odometry with Distance-Bounded NDT and Velocity-Discrepancy Point Uncertainty [12.2982667950681]
  RaDiVeは、レーダーポイントクラウド登録の精度と堅牢性を改善するために設計された4Dレーダーオドメトリーフレームワークである。 距離制限付き正規分布変換(NDT)を導入し,最適化安定性と計算効率を向上させる。 我々は、暗黙的ニューラルマッピングによるサイン付き距離関数(SDF)に基づく表面点抽出を組み込んで、幾何学的に一貫性がありノイズフィルタリングされた局所部分マップを構築する。
  論文  参考訳（メタデータ） (2026-07-30T11:26:41Z)
• DINS-IO: Learned Inertial Odometry via Differentiable INS Consistency [10.120588097901377]
  位置ラベルなしで生のIMUストリームから直接慣性オドメトリーを学習するDINS-IOを提案する。 我々は、この制約を、世界共通のバイアスを持つスライドウインドウの最小二乗問題として、閉形式で解き、自己監督的損失として解法残差を用いる。 自己教師ネットワークは、一貫した動きを学習するが、その速度はまだメートル法的に校正されていないため、いくつかのラベル付き軌道から真のメートル法速度に校正する。
  論文  参考訳（メタデータ） (2026-07-22T14:52:28Z)
• UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry [16.577608323279662]
  UNRIOは、不確実性を認識したレーダー慣性オドメトリーシステムである。 生のmmWaveレーダーIQ信号から直接エゴ速度を推定する。
  論文  参考訳（メタデータ） (2026-04-15T07:43:06Z)
• AdaRadar: Rate Adaptive Spectral Compression for Radar-based Perception [26.239044699549506]
  レーダーは自律運転システムにおいて重要な知覚モダリティである。 高次元生レーダデータの高いボリュームは、コンピュータエンジンとの通信リンクを飽和させる。 適応フィードバックを用いたレーダデータ圧縮を提案する。
  論文  参考訳（メタデータ） (2026-03-18T17:42:34Z)
• H-RINS: Hierarchical Tightly-coupled Radar-Inertial Navigation via Smoothing and Mapping [2.3821762993135507]
  ミリ波レーダーは、視覚的に劣化した環境で堅牢な知覚を提供する。 レーダー慣性状態推定は本質的にドリフトの影響を受けやすい。 本稿では,密結合型階層型レーダ慣性係数グラフフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-14T20:30:49Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• Uncertainty-Driven Radar-Inertial Fusion for Instantaneous 3D Ego-Velocity Estimation [4.184845027588594]
  本稿では,高分解能イメージングレーダと慣性測定ユニットを統合することで,自律走行におけるエゴ速度を推定する方法を提案する。 ニューラルネットワークを用いて、複雑な値の生レーダデータを処理し、関連する不確実性とともに、瞬時線形エゴ速度を推定する。 この不確実性を考慮した速度推定は拡張カルマンフィルタを用いて慣性測定単位データと統合される。
  論文  参考訳（メタデータ） (2025-06-17T08:10:39Z)
• 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)
• 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)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• 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)

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。