論文の概要: ReRadar: Robust Radar Global Localization via Rotation-Equivariant Descriptor Learning

• arxiv url: http://arxiv.org/abs/2609.18092v1
• Date: Wed, 16 Sep 2026 03:52:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.628903
• Title: ReRadar: Robust Radar Global Localization via Rotation-Equivariant Descriptor Learning
• Title（参考訳）: ReRadar: 回転同変記述子学習によるロバストレーダグローバルローカライゼーション
• Abstract要約: 本稿では,レーダグローバルローカライゼーションパイプラインであるReRadarを紹介する。 ステアブル畳み込みニューラルネットワークを用いて回転同変中間特徴を抽出する。 グループプーリングとNetVLADアグリゲーションによって回転不変記述子を形成する。
• 参考スコア（独自算出の注目度）: 0.6143866739717168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global localization with scanning millimeter-wave radar remains challenging because place-recognition descriptors often discard spatial structure needed for accurate pose retrieval. We present ReRadar, a radar global localization pipeline that extracts rotation-equivariant intermediate features using steerable convolutional neural networks, forms rotation-invariant descriptors through group pooling and NetVLAD aggregation, and combines descriptor retrieval with landmark-based matching to estimate the robot's three-degree-of-freedom (3-DoF) pose. Across fixed database-query evaluations, ReRadar with target-dataset adaptation achieves 99.37% Recall@1 on OORD Bellmouth, 91.44% Recall@1 with 80.99% F1_max on Mulran DCC01, and 99.38% Recall@1 on falling-snow Boreas sequence. Without target-dataset data, the cross-dataset model reaches 98.07% Recall@1 on OORD, performing comparably to the evaluated state-of-the-art methods.
• Abstract（参考訳）: 位置認識ディスクリプタは、正確なポーズ検索に必要な空間構造を捨てることが多いため、走査ミリ波レーダによるグローバルなローカライゼーションは依然として困難である。 ReRadarは、ステアブル畳み込みニューラルネットワークを用いて回転同変中間特徴を抽出し、グループプーリングとNetVLADアグリゲーションを通じて回転不変記述子を形成し、記述子検索とランドマークベースのマッチングを組み合わせることで、ロボットの3自由度(3-DoF)のポーズを推定する。 OORD Bellmouthでは99.37%のRecall@1、Mulran DCC01では80.99%のF1_maxで91.44%のRecall@1、フォールスノウBoreasシーケンスでは99.38%のRecall@1を達成している。 ターゲットデータセットデータがない場合、クロスデータセットモデルはOORDで98.07%のRecall@1に達し、評価された最先端メソッドと互換性がある。

関連論文リスト

• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• ArcGate: Adaptive Arctangent Gated Activation [62.5098969984518]
  本稿では,アクティベーション形状の広いスペクトルを生成するフレキシブルな定式化であるAdaptive Arctangent Gated Activation関数を提案する。 我々は、PatternNet、UC Merced Land Use、13バンドのEuroSAT MSIマルチスペクトルデータセットの3つのリモートセンシングベンチマークでArcGateを評価した。
  論文  参考訳（メタデータ） (2026-05-14T08:00:46Z)
• On the Limitations of Ray-Tracing for Learning-Based RF Tasks in Urban Environments [4.097291451674696]
  ローマ中央部の屋外細胞リンクにおけるSionna v ray-tracingの現実性について検討した。 我々は、経路深さ、拡散/特異/屈折フラグ、キャリア周波数、アンテナの特性など、主なシミュレーションパラメータを変化させる。
  論文  参考訳（メタデータ） (2025-07-25T19:58:44Z)
• SparseRadNet: Sparse Perception Neural Network on Subsampled Radar Data [5.344444942640663]
  レーダー生データは、しばしば過剰なノイズを含むが、レーダー点雲は限られた情報しか保持しない。 本稿では,適応的なサブサンプリング手法と,空間パターンを利用したネットワークアーキテクチャを提案する。 RADIalデータセットの実験により,SparseRadNetはオブジェクト検出における最先端(SOTA)性能を超え,自由空間セグメンテーションにおけるSOTA精度に近づいた。
  論文  参考訳（メタデータ） (2024-06-15T11:26:10Z)
• Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object Detection [78.59426158981108]
  この課題に対処し、動的オブジェクトの3D検出を改善するために、双方向LiDAR-Radar融合フレームワーク、Bi-LRFusionを導入する。 我々はnuScenesとORRデータセットに関する広範な実験を行い、我々のBi-LRFusionが動的オブジェクトを検出するための最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2023-06-02T10:57:41Z)
• 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)
• GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
  本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。 本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-07T02:16:24Z)

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。