論文の概要: Accuracy- and Real-Time-Aware 4D Radar Preprocessing for Autonomous Driving Perception Systems
- arxiv url: http://arxiv.org/abs/2609.18542v1
- Date: Wed, 16 Sep 2026 12:06:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.791507
- Title: Accuracy- and Real-Time-Aware 4D Radar Preprocessing for Autonomous Driving Perception Systems
- Title（参考訳）: 自律走行知覚システムのための高精度・リアルタイム4次元レーダ前処理
- Abstract要約: 4Dレーダーは、自律運転認識システムのための有望な次世代センサーとして登場した。
ハードウェアリソースが限られている組み込み環境で4Dレーダをデプロイするには、レーダ表現前処理が必要である。
本稿では,4次元レーダーを用いた3次元物体検出のための前処理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）: 5.829228577523843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 4D radar has emerged as a promising next-generation sensor for improving the robustness of autonomous driving perception systems because of its stable sensing capability under adverse weather conditions. However, deploying 4D radar in embedded environments with limited hardware resources requires radar-representation preprocessing that jointly considers perception accuracy, real-time performance, and computational complexity. This paper proposes a preprocessing framework for 4D-radar-based 3D object detection. First, Percentile-based 3D Shape Preservation (P3DP) extracts point clouds from radar tensors while preserving object-shape information and suppressing noise and false alarms. Second, Multi-frame-based Noise Point Discrimination using Kernel Density Estimation (MF-KDE) improves the density and reliability of sparse radar point clouds. Finally, Embedded \& NetScore (ENS) evaluates suitability for embedded deployment by jointly considering accuracy, real-time performance, adverse-weather robustness, and model complexity.
- Abstract（参考訳）: 4Dレーダーは、悪天候下での安定したセンシング能力のため、自律運転認識システムの堅牢性を向上させるための有望な次世代センサーとして登場した。
しかし、ハードウェアリソースが限られている組み込み環境に4Dレーダを配置するには、認識精度、リアルタイム性能、計算複雑性を共同で考慮するレーダ表現前処理が必要である。
本稿では,4次元レーダーを用いた3次元物体検出のための前処理フレームワークを提案する。
第一に、P3DP(Percentile-based 3D Shape Preservation)は、レーダーテンソルから点雲を抽出し、物体の形状情報を保存し、ノイズや誤報を抑制する。
第二に、カーネル密度推定(MF-KDE)を用いたマルチフレーム型ノイズポイント識別は、スパースレーダポイント雲の密度と信頼性を向上させる。
最後に、 Embedded \&NetScore (ENS) は、精度、リアルタイムパフォーマンス、悪天候の堅牢性、モデルの複雑さを共同で考慮して、組み込みデプロイメントの適合性を評価する。
関連論文リスト
- RaDiVe: Robust 4D Radar Odometry with Distance-Bounded NDT and Velocity-Discrepancy Point Uncertainty [12.2982667950681]
RaDiVeは、レーダーポイントクラウド登録の精度と堅牢性を改善するために設計された4Dレーダーオドメトリーフレームワークである。
距離制限付き正規分布変換(NDT)を導入し,最適化安定性と計算効率を向上させる。
我々は、暗黙的ニューラルマッピングによるサイン付き距離関数(SDF)に基づく表面点抽出を組み込んで、幾何学的に一貫性がありノイズフィルタリングされた局所部分マップを構築する。
論文 参考訳（メタデータ） (2026-07-30T11:26:41Z) - 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) - Weather-Conditioned Branch Routing for Robust LiDAR-Radar 3D Object Detection [43.35380334829282]
気象条件の分岐経路問題としてマルチモーダル認識を再構成する。
我々のフレームワークは、純粋なLiDARブランチ、純粋な4Dレーダブランチ、条件付き融合ブランチの3つの並列3D特徴ストリームを明示的に維持している。
K-Radarベンチマーク実験により,本手法が最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-07T03:56:27Z) - A Lightweight Model-Driven 4D Radar Framework for Pervasive Human Detection in Harsh Conditions [11.183137089778468]
本稿では,組込みエッジハードウェア上でのリアルタイム実行を目的とした,完全モデル駆動4次元レーダ認識フレームワークを提案する。
このフレームワークは、ダスト充填されたトレーラーと実際の地下トンネルで評価され、テストシナリオでは、レーダーベースの検出器は、カメラとLiDARのモダリティが深刻な視認性低下の下で安定した歩行者識別を維持する。
論文 参考訳（メタデータ） (2026-01-19T20:18:51Z) - Wavelet-based Multi-View Fusion of 4D Radar Tensor and Camera for Robust 3D Object Detection [44.78575994732947]
WRCFormerは、デカップリングされたレーダーキューブのマルチビュー表現を介して、生のレーダーキューブとカメラ入力を融合する新しい3Dオブジェクト検出フレームワークである。
WRCFormerはK-Radarベンチマークで最先端のパフォーマンスを達成し、すべてのシナリオで最高のモデルを約2.4%上回っている。
論文 参考訳（メタデータ） (2025-12-28T15:32:17Z) - 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) - RadarPillars: Efficient Object Detection from 4D Radar Point Clouds [42.9356088038035]
本稿では,柱型物体検出ネットワークRadarPillarsを提案する。
放射速度データを分解することにより、RadarPillarsは、View-of-Delftデータセットの最先端検出結果を大幅に上回る。
これはパラメータ数を大幅に削減し、既存のメソッドを効率面で上回り、エッジデバイス上でのリアルタイムパフォーマンスを実現している。
論文 参考訳（メタデータ） (2024-08-09T12:13:38Z) - 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) - 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) - 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)
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。