論文の概要: Stereo 4D Radar for 3D Object Detection: Integrating Geometric Alignment and Absolute Velocity Estimation
- arxiv url: http://arxiv.org/abs/2609.02560v1
- Date: Wed, 02 Sep 2026 13:13:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.359437
- Title: Stereo 4D Radar for 3D Object Detection: Integrating Geometric Alignment and Absolute Velocity Estimation
- Title（参考訳）: 3次元物体検出のためのステレオ4次元レーダ:幾何学的アライメントと絶対速度推定の統合
- Abstract要約: ルー4Dレーダー信号は、路面やガードレール、周囲の車両からの散乱や、マルチパスで誘導されるゴースト反射、受信機固有のノイズフロアを含む。
左右のレーダ間の幾何学的相違を利用して物体の絶対速度を推定するステレオ4次元レーダに基づく3次元物体検出フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.109810774427172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Four-dimensional (4D) Radar is a powerful sensing modality capable of detecting surrounding three-dimensional (3D) objects under diverse weather conditions and providing Doppler-based motion information. However, raw 4D Radar signals contain significant clutter from road surfaces, guardrails, and surrounding vehicles, along with multipath-induced ghost reflections and the receiver's inherent noise floor. Consequently, preprocessing algorithms designed to remove such invalid measurements often make the Radar data excessively sparse. Moreover, the Doppler measurements provided by 4D Radar describe only the radial component of an object's velocity, limiting their ability to recover the full motion state. In this paper, we introduce a stereo 4D Radar-based 3D object detection framework that exploits the geometric disparity between left and right Radars to estimate the absolute velocity of objects and achieve more robust perception through the fusion of their complementary features. The effectiveness of the proposed framework is validated on our in-house stereo 4D Radar dataset, demonstrating performance gains of 8.82 points in AP 3D and 9.0 points in AP BEV over state-of-the-art mono 4D Radar baselines. These results demonstrate that absolute velocity estimation combined with stereo geometry-aware feature fusion leads to substantial improvements in 3D object detection.
- Abstract（参考訳）: 4次元レーダ(4次元レーダ)は、様々な気象条件下で周囲の3次元物体を検知し、ドップラーに基づく運動情報を提供する強力なセンシングモードである。
しかし、生の4Dレーダー信号には、路面やガードレール、周囲の車両からのかなりの乱れや、マルチパスで誘導されるゴースト反射、受信機固有のノイズフロアが含まれている。
その結果、そのような不正な測定を除去するために設計された前処理アルゴリズムは、しばしばRadarデータを過度にスパースにする。
さらに、4D Radarによるドップラー測定では、物体の速度の放射成分のみを記述し、全運動状態を回復する能力を制限する。
本稿では,左右のレーダ間の幾何学的相違を利用して物体の絶対速度を推定し,それらの相補的特徴の融合によりより堅牢な知覚を実現するステレオ4次元レーダに基づく3次元物体検出フレームワークを提案する。
提案手法の有効性は,AP 3Dでは8.82点,AP BEVでは9.0点,社内ステレオ4D Radarでは最先端のモノ4D Radarベースラインよりも高い性能を示した。
これらの結果は、絶対速度推定とステレオ幾何学的特徴融合が組み合わさって、3次元物体検出の大幅な改善をもたらすことを示している。
関連論文リスト
- Sparse4D-Radar: An Efficient and Robust Framework for Surround-View 3D Object Detection via 4D Radar-Camera Fusion [3.986685981087234]
メインストリームの4Dレーダカメラ融合法は、正面視認識のみをサポートし、周囲視センシングのための成熟したソリューションが欠如している。
この研究は、効率的なロバストなサラウンドビューマルチモーダル融合フレームワークであるSparse4D-Radarを提案する。
複雑な運転シーン下では, 7%以上のmAP, 10%以上のODS改善が得られ, 10FPS近くで実行可能であった。
論文 参考訳（メタデータ） (2026-07-05T03:34:20Z) - 4D Radar Gaussian Modeling and Scan Matching with RCS [80.74019565026542]
レーダークロスセクション(RCS)情報は、しばしば見落とされ、通常マッチングプロセスのモデリングやスキャンには使われない。
本稿では,RCSの物理的挙動をモデルに組み込むことにより,シーンの要約情報をさらに強化することを提案する。
論文 参考訳（メタデータ） (2026-04-16T10:58:29Z) - RadarXFormer: Robust Object Detection via Cross-Dimension Fusion of 4D Radar Spectra and Images for Autonomous Driving [28.09294325639777]
カメラとLiDARに基づく認識システムは、悪天候や照明条件下での性能劣化に悩まされる。
レーダビジョン融合は、ミリ波レーダの環境ロバスト性とコスト効率と、カメラが捉えたリッチなセマンティック情報を組み合わせることで、有望な代替手段を提供する。
本稿では、4DレーダスペクトルとRGB画像の効率的な相互融合を可能にする3Dオブジェクト検出フレームワークであるRadarXFormerを提案する。
論文 参考訳（メタデータ） (2026-03-16T04:56:37Z) - 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) - 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) - 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) - V2X-R: Cooperative LiDAR-4D Radar Fusion with Denoising Diffusion for 3D Object Detection [64.93675471780209]
我々は、LiDAR、カメラ、および4Dレーダを取り入れた初のシミュレーションV2XデータセットであるV2X-Rを提案する。
V2X-Rには12,079のシナリオがあり、LiDARと4Dレーダーポイント雲の37,727フレーム、150,908の画像、170,859の注釈付き3D車両バウンディングボックスがある。
本稿では,3次元物体検出のための新しいコラボレーティブLiDAR-4Dレーダ融合パイプラインを提案し,様々な融合戦略を用いて実装する。
論文 参考訳（メタデータ） (2024-11-13T07:41:47Z) - RadarOcc: Robust 3D Occupancy Prediction with 4D Imaging Radar [15.776076554141687]
3D占有に基づく知覚パイプラインは、かなり進歩した自律運転を持つ。
現在の方法では、LiDARやカメラの入力を3D占有率予測に頼っている。
本稿では,4次元イメージングレーダセンサを用いた3次元占有予測手法を提案する。
論文 参考訳（メタデータ） (2024-05-22T21:48:17Z) - 4DRVO-Net: Deep 4D Radar-Visual Odometry Using Multi-Modal and
Multi-Scale Adaptive Fusion [2.911052912709637]
4次元(4D)レーダー-視覚計測(4DRVO)は4次元レーダーとカメラの補完情報を統合している。
4DRVOは4Dレーダーポイント雲の空隙による追跡誤差が顕著である可能性がある。
本稿では,4次元レーダ・ビジュアル・オドメトリーの手法である4DRVO-Netを提案する。
論文 参考訳（メタデータ） (2023-08-12T14:00:09Z) - SMURF: Spatial Multi-Representation Fusion for 3D Object Detection with
4D Imaging Radar [12.842457981088378]
本稿では,単一4次元イメージングレーダを用いた新しい3次元物体検出手法である空間多重表現融合(SMURF)を提案する。
SMURFは、狭角分解能とレーダ信号のマルチパス伝搬による測定精度の低下を緩和する。
The experimental evaluations on View-of-Delft (VoD) and TJ4DRadSet datasets showed the effective and generalization ability of SMURF。
論文 参考訳（メタデータ） (2023-07-20T11:33:46Z) - 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。