論文の概要: Anchor-Based AI Approach for Pre-Crash Object Detection Utilizing Micro-Doppler Signatures in Automotive Radar
- arxiv url: http://arxiv.org/abs/2608.08701v1
- Date: Sun, 09 Aug 2026 13:32:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.920087
- Title: Anchor-Based AI Approach for Pre-Crash Object Detection Utilizing Micro-Doppler Signatures in Automotive Radar
- Title（参考訳）: マイクロドップラーシグナチャを用いた自動車用レーダの衝突前物体検出のためのアンカーベースAIアプローチ
- Abstract要約: アンカーベースのAIモデルは、マイクロドップラーシグネチャに明示的にフォーカスした高解像度レーダデータを処理するために提示される。
このモデルは、動的なシナリオでオブジェクトパラメータを推定し、異なるデータセットを効果的に処理する能力を強調します。
- 参考スコア（独自算出の注目度）: 1.7807058626065464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advanced automated driving presents significant potential to improve modern automotive safety systems, but it depends highly on the reliable activation of restraint systems. Forward-looking sensors are crucial for immediate and precise object detection. Recent developments in automotive radar technology enable detailed environment detection and the recognition of high-resolution features, such as micro-Doppler signatures. Combined with advanced AI techniques, these features significantly enhance object detection and improve the accuracy of kinematic parameter estimation. This is essential for the early and reliable activation of irreversible safety systems, such as smart airbags and adaptive seat belts. Therefore, an anchor-based AI model is presented, designed to process high-resolution radar data with an explicit focus on micro-Doppler signatures to improve pre-crash object detection. Furthermore, these signatures can improve the accuracy of kinematic object parameter estimation and reduce false negatives, especially in the critical near-field. To address the challenges of sparse and fluctuating radar point clouds, an innovative radar-image dilation technique on the feature input channels was developed to amplify local radar patterns, like micro-Doppler features. Therefore, this approach increases the system's reliability and increases its ability to detect objects in pre-crash scenarios despite radar multipath reflections and ghost objects. In order to investigate the applicability and compare the model's performance with advanced automotive radar tracking methods, a radar data set using series sensors and pre-crash relevant scenarios was recorded. The results demonstrate the advantages of the anchor-based AI model over established tracking approaches. It excels at estimating object parameters in dynamic scenarios and underscores its ability to process different data sets effectively.
- Abstract（参考訳）: 高度な自動運転は、現代の自動車安全システムを改善する大きな可能性を示すが、抑制システムの信頼性に大きく依存する。
前向きのセンサーは、即時かつ正確な物体検出に不可欠である。
自動車レーダ技術の最近の進歩は、マイクロドップラーシグネチャのような環境の詳細な検出と高解像度の特徴の認識を可能にしている。
高度なAI技術と組み合わせることで、これらの機能はオブジェクトの検出を著しく向上し、運動パラメータ推定の精度を向上する。
これは、スマートエアバッグやアダプティブシートベルトなどの可逆安全システムの早期かつ信頼性の高い活性化に不可欠である。
したがって、アンカーベースのAIモデルは、マイクロドップラーシグネチャに明示的に焦点を絞って高解像度レーダデータを処理し、事前クラッシュオブジェクト検出を改善するように設計されている。
さらに、これらのシグネチャは、特に臨界近接場において、運動的対象パラメータ推定の精度を改善し、偽陰性を低減することができる。
スパースと変動するレーダー点雲の課題に対処するため、マイクロドップラーのような局所レーダーパターンを増幅するために、特徴入力チャネル上の革新的なレーダー画像拡張技術を開発した。
そこで,本手法は,レーダマルチパス反射やゴーストオブジェクトに拘わらず,事前クラッシュシナリオで物体を検出する能力を高め,システムの信頼性を高める。
本手法の適用性を検証し,先進的なレーダ追跡手法と比較するために,直列センサを用いたレーダデータセットと,それに関連するシナリオを事前に記録した。
その結果、アンカーベースのAIモデルが、確立されたトラッキングアプローチよりも優れていることが示された。
動的シナリオでオブジェクトパラメータを推定し、異なるデータセットを効果的に処理する能力を強調します。
関連論文リスト
- AttentiveGRU: Recurrent Spatio-Temporal Modeling for Advanced Radar-Based BEV Object Detection [5.5967570276373655]
鳥眼視(Bird's-eye view, BEV)は、先進的な3Dレーダーによる知覚システムにおいて重要である。
本稿では,アテンラプティブ(AttenRUtive)について紹介する。
論文 参考訳（メタデータ） (2025-04-01T09:10:47Z) - Multi-Object Tracking based on Imaging Radar 3D Object Detection [0.13499500088995461]
本稿では,古典的追跡アルゴリズムを用いて,周囲の交通参加者を追跡する手法を提案する。
学習に基づく物体検出器はライダーとカメラのデータに適切に対応し、学習に基づく物体検出器は標準のレーダーデータ入力により劣っていることが示されている。
レーダセンサ技術の改良により、レーダの物体検出性能は大幅に改善されたが、レーダ点雲の広さによりライダーセンサに制限されている。
追跡アルゴリズムは、一貫したトラックを生成しながら、限られた検出品質を克服しなければならない。
論文 参考訳（メタデータ） (2024-06-03T05:46:23Z) - Leveraging Self-Supervised Instance Contrastive Learning for Radar
Object Detection [7.728838099011661]
本稿では,レーダ物体検出装置を事前訓練する際,RCLを例に紹介する。
我々は、より少ないデータで学習するために、物体検出器のバックボーン、頭、首を事前訓練することを目指している。
論文 参考訳（メタデータ） (2024-02-13T12:53:33Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Radars for Autonomous Driving: A Review of Deep Learning Methods and
Challenges [0.021665899581403605]
Radarは、自動運転車に使用される知覚センサーのスイートの重要なコンポーネントである。
低解像度、疎度、乱雑、高い不確実性、優れたデータセットの欠如などが特徴である。
現在のレーダーモデルは、レーダーデータに比較的弱い光学的特徴に焦点を当てたライダーや視覚モデルの影響を受けやすい。
論文 参考訳（メタデータ） (2023-06-15T17:37:52Z) - RadarFormer: Lightweight and Accurate Real-Time Radar Object Detection
Model [13.214257841152033]
レーダー中心のデータセットは、レーダー知覚のためのディープラーニング技術の開発にはあまり注目されていない。
本稿では,視覚深層学習における最先端技術を活用したトランスフォーマーモデルRadarFormerを提案する。
また、チャネルチャープ時マージモジュールを導入し、精度を損なうことなく、モデルのサイズと複雑さを10倍以上に削減する。
論文 参考訳（メタデータ） (2023-04-17T17:07:35Z) - 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) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:57:03Z) - Complex-valued Convolutional Neural Networks for Enhanced Radar Signal
Denoising and Interference Mitigation [73.0103413636673]
本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。
CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
論文 参考訳（メタデータ） (2021-04-29T10:06:29Z) - 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) - Towards robust sensing for Autonomous Vehicles: An adversarial
perspective [82.83630604517249]
結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。
敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。
より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
論文 参考訳（メタデータ） (2020-07-14T05:25:15Z)
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。