論文の概要: If It Moves, Radar Knows: A Physics-Aware Radar Transformer for Class-Agnostic Moving-Object Detection

• arxiv url: http://arxiv.org/abs/2609.02289v1
• Date: Wed, 02 Sep 2026 08:39:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.18139
• Title: If It Moves, Radar Knows: A Physics-Aware Radar Transformer for Class-Agnostic Moving-Object Detection
• Title（参考訳）: 動くとラダーが知る:クラス非依存の移動物体検出のための物理対応レーダー変換器
• Abstract要約: Physics-Aware Radar Transformer (PART) は、レーダーのみの検出器であり、各移動物体仮説に対する存在信頼度、代表面点、および2次元地上面速度を予測する。 クラスに依存しない平均精度(CA-AP)は0.8827、平均表面翻訳誤差(mASTE)は0.3188m、平均速度誤差(mAVE)は0.8084m/sである。
• 参考スコア（独自算出の注目度）: 18.394131504081404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detectors trained on closed-set annotations can miss rare moving objects outside the training taxonomy. Automotive radar provides category-independent Doppler motion cues and is less affected by adverse illumination and weather, but sparse, noisy returns hinder class-aware 3D box detection. Surface location and velocity remain useful for motion reasoning and collision avoidance when full box geometry is difficult to recover. We present the Physics-Aware Radar Transformer (PART), a fully sparse radar-only detector that predicts existence confidence, a representative surface point, and 2D ground-plane velocity for each moving-object hypothesis. Doppler-Aware Query Initialization (DAQI) replaces scene-independent learned queries with input-dependent proposals by clustering radar returns in position and velocity, easing query-object assignment in sparse scenes. Physics-Guided Cross-Attention (PGCA) incorporates radial-Doppler consistency and radar cross section (RCS) into query-point association. Uncertainty-aware supervision randomly masks ground-truth objects and assigns soft existence targets to ambiguous radar-supported queries, reducing reliance on exhaustive annotations. With only 1.1 million parameters, PART achieves a class-agnostic average precision (CA-AP) of 0.8827, a mean average surface translation error (mASTE) of 0.3188 m, and a mean average velocity error (mAVE) of 0.8084 m/s on nuScenes. It attains 0.9203 recall on rare and safety-relevant categories excluded from the standard evaluation and remains effective at night, in rain, and under severe occlusion. Inspection of apparent false positives shows that some predictions correspond to moving objects absent from the nuScenes annotations. Code and pretrained model weights will be publicly available at https://github.com/sunyinghao-uestc/PART.
• Abstract（参考訳）: クローズドセットアノテーションで訓練された検出器は、トレーニング分類外の稀な移動物体を見逃す可能性がある。 自動車用レーダーは、カテゴリー非依存のドップラーモーションキューを提供し、照明や天候の悪さの影響を受けないが、希少でノイズの多い3Dボックス検出の妨げとなる。 表面の位置と速度は、フルボックス形状の回復が困難である場合に、動き推論や衝突回避に有用である。 本研究では,各移動物体仮説に対する存在信頼度,代表面点,2次元地平面速度を推定する完全スパースレーダー専用検出器であるPhysor-Aware Radar Transformer(PART)を提案する。 Doppler-Aware Query Initialization (DAQI)は、シーンに依存しない学習クエリを、位置と速度をクラスタリングするレーダーリターンによって、スパースシーンでのクエリオブジェクト割り当てを緩和することで、入力依存の提案に置き換える。 物理誘導クロスアテンション(PGCA)は、ラジアル・ドップラー整合性とレーダ・クロスセクション(RCS)をクエリポイント・アソシエーションに組み込んでいる。 不確かさを意識した監視は、地中真実のオブジェクトをランダムにマスクし、不明瞭なレーダー支援クエリにソフトな存在目標を割り当て、徹底的なアノテーションへの依存を減らす。 パラメータはわずか1100万であり、クラスに依存しない平均精度(CA-AP)は0.8827、平均表面翻訳誤差(mASTE)は0.3188m、平均速度誤差(mAVE)は0.8084m/sである。 標準評価から除外された希少・安全関連カテゴリーでは0.9203リコールを達成し、夜間、雨時、重篤な閉塞下でも有効である。 明らかな偽陽性の検査は、いくつかの予測がnuScenesアノテーションから欠落している移動オブジェクトに対応していることを示している。 コードと事前トレーニングされたモデルウェイトはhttps://github.com/sunyinghao-uestc/PART.comで公開される。

関連論文リスト

• Dense Soft Weighting for Radar Ego-Velocity Estimation [6.356174487225252]
  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。
  論文  参考訳（メタデータ） (2026-07-29T14:37:52Z)
• Taming Perception Jitter: Uncertainty-Aware LiDAR Object Detection for Reliable Motion Classification [8.046180274721541]
  不安定な境界ボックス予測は、追跡と誤った予測された軌道における急激な速度推定につながる可能性がある。 本稿では,3次元物体検出器にアレータティック不確実性推定を付加し,短時間の観測窓に2サンプルのz検定を適用し,ジッタから真の動きを分離する配置フレンドリーな緩和戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-08T11:24:57Z)
• Radar-Informed 3D Multi-Object Tracking under Adverse Conditions [2.5755864395384775]
  RadarMOTはレーダーインフォームド3Dマルチオブジェクト追跡フレームワークである。 レーダー点雲を追加観測として、状態推定を洗練させ、長い範囲で検出器が見逃した物体を回収する。 RadarMOTは、AMOTA(Average Multi-Object Tracking Accuracy)を長距離で12.7%、悪天候で最大10.3%改善している。
  論文  参考訳（メタデータ） (2026-04-15T07:31:54Z)
• Redefining Radar Segmentation: Simultaneous Static-Moving Segmentation and Ego-Motion Estimation using Radar Point Clouds [42.08401139629074]
  本研究では,レーダ点雲から静的および移動物体を同時に分割するニューラルネットワークに基づく解を提案する。 静的物体の放射速度の測定値はレーダの運動と相関する。 また、移動プラットフォームや車両の瞬間的な2次元速度を推定することもできる。
  論文  参考訳（メタデータ） (2025-11-25T07:13:34Z)
• 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)
• 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)
• Towards Unsupervised Object Detection From LiDAR Point Clouds [46.57452180314863]
  OYSTER (Object Discovery via Spatio-Temporal Refinement) は、オブジェクトをゼロショットで検出できる。 距離対衝突に基づく新しい計画中心の知覚尺度を提案する。
  論文  参考訳（メタデータ） (2023-11-03T16:12:01Z)
• DORT: Modeling Dynamic Objects in Recurrent for Multi-Camera 3D Object Detection and Tracking [67.34803048690428]
  本稿では、この問題を解決するためにRecurrenT(DORT)の動的オブジェクトをモデル化することを提案する。 DORTは、重い計算負担を軽減する動き推定のために、オブジェクトワイズローカルボリュームを抽出する。 フレキシブルで実用的で、ほとんどのカメラベースの3Dオブジェクト検出器に差し込むことができる。
  論文  参考訳（メタデータ） (2023-03-29T12:33:55Z)
• A recurrent CNN for online object detection on raw radar frames [7.074916574419171]
  本研究では,オンラインレーダオブジェクト検出のための新しいCNNアーキテクチャを提案する。 本稿では,コンボリューションとConvLSTMを混合したエンドツーエンドのトレーニング可能なアーキテクチャを提案する。 我々のモデルは因果的であり、オブジェクトを検出するためにConvLSTMのメモリに符号化された過去の情報のみを必要とする。
  論文  参考訳（メタデータ） (2022-12-21T16:36:36Z)
• RaLiBEV: Radar and LiDAR BEV Fusion Learning for Anchor Box Free Object Detection Systems [13.046347364043594]
  自動運転では、LiDARとレーダーは環境認識に不可欠である。 最近の最先端の研究は、レーダーとLiDARの融合が悪天候の堅牢な検出につながることを明らかにしている。 鳥眼ビュー融合学習に基づくアンカーボックスフリー物体検出システムを提案する。
  論文  参考訳（メタデータ） (2022-11-11T10:24:42Z)
• 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)

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。