論文の概要: IRGNN: Efficient Invariant Radar Graph Neural Network for Radar Point Cloud Object Detection

• arxiv url: http://arxiv.org/abs/2608.14394v1
• Date: Fri, 14 Aug 2026 15:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.422133
• Title: IRGNN: Efficient Invariant Radar Graph Neural Network for Radar Point Cloud Object Detection
• Title（参考訳）: IRGNN:Radar Point Cloud Object Detectionのための効率的な不変レーダグラフニューラルネットワーク
• Abstract要約: レーダポイントクラウドオブジェクト検出のための不変レーダグラフニューラルネットワークIRGNNを提案する。 IRGNNはまず、変換および回転不変の特徴設計を用いてレーダポイント雲をグラフ表現に再構成する。 その後、改善されたメッセージパッシングニューラルネットワーク(MPNN)と、ローカルな特徴伝搬とグローバルなコンテキストモデリングを強化するために、仮想ノード層を使用する。
• 参考スコア（独自算出の注目度）: 6.250476866823555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Perception is a fundamental component of autonomous driving systems. While LiDAR-based methods have achieved remarkable progress in object detection, their reliability can degrade under adverse weather conditions. Radar point clouds provide a robust alternative due to their resilience to bad weather and low-illumination scenarios. However, radar point clouds are typically sparse, unordered, and less informative than LiDAR data, making it challenging to directly apply existing LiDAR-based perception methods. To address these challenges, we propose IRGNN, an Invariant Radar Graph Neural Network for radar point cloud object detection. IRGNN first reconstructs radar point clouds into graph representations using translation- and rotation-invariant feature designs, enabling robust modeling of sparse radar measurements. It then employs an improved message passing neural network (MPNN) with residual connections and a virtual node layer to enhance local feature propagation and global context modeling. Finally, task-specific heads are applied to the learned graph representations for object classification and bounding box prediction. Experimental results on the RadarScenes dataset show that IRGNN outperforms existing radar-based object detection methods and achieves competitive performance. In addition, IRGNN significantly reduces computational cost and memory usage during inference, demonstrating its effectiveness and practical potential for efficient radar-based perception in autonomous driving.
• Abstract（参考訳）: 知覚は自律運転システムの基本的な構成要素である。 LiDARに基づく手法は、物体検出において顕著な進歩を遂げているが、その信頼性は悪天候下で低下する可能性がある。 レーダーポイント雲は、悪天候と低照度シナリオに対する弾力性のために、堅牢な代替手段を提供する。 しかし、レーダーポイント雲は通常、LiDARデータよりも疎く、秩序がなく、情報が少ないため、既存のLiDARベースの知覚法を直接適用することは困難である。 これらの課題に対処するために、レーダポイントクラウドオブジェクト検出のための不変レーダグラフニューラルネットワークIRGNNを提案する。 IRGNNはまず、変換および回転不変の特徴設計を用いてレーダー点雲をグラフ表現に再構成し、スパースレーダ計測の堅牢なモデリングを可能にする。 その後、改善されたメッセージパッシングニューラルネットワーク(MPNN)と、ローカルな特徴伝搬とグローバルなコンテキストモデリングを強化するために、仮想ノード層を使用する。 最後に、学習したグラフ表現にタスク固有ヘッドを適用し、オブジェクト分類とバウンディングボックス予測を行う。 RadarScenesデータセットの実験結果から、IRGNNは既存のレーダベースのオブジェクト検出方法より優れ、競争性能が向上していることが示された。 さらに、IRGNNは推論中の計算コストとメモリ使用量を大幅に削減し、自律運転における効率的なレーダベース認識の有効性と実用的な可能性を示す。

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)
• 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)
• NeuRadar: Neural Radiance Fields for Automotive Radar Point Clouds [4.000915046854788]
  我々は、レーダー点雲、カメラ画像、ライダー点雲を共同で生成するNeuRadarについて紹介する。 レーダNeRFのさらなる開発を促進するため,NeuRadarのソースコードをリリースする。
  論文  参考訳（メタデータ） (2025-04-01T14:50:19Z)
• TransRAD: Retentive Vision Transformer for Enhanced Radar Object Detection [6.163747364795787]
  本稿では,新しい3次元レーダ物体検出モデルであるTransRADを提案する。 本研究では、ディープレーダオブジェクト検出における重複境界ボックスの共通問題を軽減するために、位置認識型NMSを提案する。 その結果,TransRADは2次元および3次元のレーダ検出タスクにおいて最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-29T20:21:41Z)
• 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)
• 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)
• RadarGNN: Transformation Invariant Graph Neural Network for Radar-based Perception [0.0]
  点自体の情報だけでなく,それらの関係も利用する新しいグラフニューラルネットワークが提案されている。 このモデルは、グラフの端に埋め込まれたポイント特徴とポイントペア特徴の両方を考慮するように設計されている。 RadarGNNモデルは、RadarScenesデータセットで以前のすべてのメソッドより優れています。
  論文  参考訳（メタデータ） (2023-04-13T13:57:21Z)
• NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for Autonomous Driving [57.03126447713602]
  本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。 ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
  論文  参考訳（メタデータ） (2022-09-29T01:30:34Z)
• 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)

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。