論文の概要: Do Spinning Radar Doppler Velocity Measurements Improve Vehicle Detection and Tracking?

• arxiv url: http://arxiv.org/abs/2609.21000v1
• Date: Thu, 17 Sep 2026 18:56:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.757388
• Title: Do Spinning Radar Doppler Velocity Measurements Improve Vehicle Detection and Tracking?
• Title（参考訳）: スピンニングレーダドプラ速度測定は車両検出と追尾を改善するか?
• Abstract要約: ドップラー速度測定が回転レーダ車両の検出と追跡性能を向上させるかを検討する。 検出には、エゴ運動を推定し、レーダ画像のドップラー範囲歪みを解き放つ。 トラッキングのために,車体毎の速度を推定し,トラッカーの運動モデルに先行する手法を提案する。
• 参考スコア（独自算出の注目度）: 9.94837485119294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spinning frequency-modulated continuous-wave (FMCW) radars have been gaining popularity in autonomous vehicle perception on account of their robustness to adverse weather conditions and 360° field of view. Recently, scanning radars have also been shown capable of generating per-azimuth Doppler velocity. In this paper, we investigate whether these Doppler velocity measurements improve spinning radar vehicle detection and tracking performance. For detection, we estimate the ego motion and use it to undo the Doppler range distortion of the radar image before passing it to a network. For tracking, we propose a new way to estimate a per-vehicle velocity and use it as a prior for the tracker's motion model. Since Doppler-enabled spinning radar data is not available in any dataset with ground-truth dynamic object labels, our first contribution is an automatic labelling pipeline that uses an ensemble of fine-tuned off-the-shelf lidar detectors to label all 643 km of the Boreas Road Trip dataset. We then transfer detections to radar, and use over 250 km of vehicle-dense sequences as ground-truth training data. By training and evaluating two state-of-the-art detectors, we show that Doppler undistortion can improve detection accuracy by up to $2.37$ points on mean average precision. Furthermore, we show that the Doppler velocity prior can improve tracking accuracy by $13.68$ points on multi-object tracking accuracy (MOTA) versus the zero-velocity initialization baseline, while achieving $99.7\%$ of the MOTA obtained using ground-truth velocities as the prior.
• Abstract（参考訳）: スピン周波数変調連続波レーダー(FMCW)は、悪天候に対する堅牢性や360度視野から、自動運転車の認識において人気を集めている。 近年、走査レーダーは方位ごとのドップラー速度を発生させることができることが示されている。 本稿では,これらのドップラー速度測定が回転レーダ車両の検出と追跡性能を向上させるかを検討する。 検出には,エゴ運動を推定し,レーダ画像のドップラー範囲歪みを除去し,ネットワークに渡す。 トラッキングのために,車体毎の速度を推定し,トラッカーの運動モデルに先行する手法を提案する。 ドップラー対応の回転レーダデータは、地上の動的オブジェクトラベルを持つデータセットでは利用できないため、私たちの最初の貢献は自動ラベリングパイプラインであり、Breas Road Tripデータセットの643km全てに細調整されたオフザヘルフライダー検出器のアンサンブルを使用します。 その後、レーダーに検出を転送し、250km以上の車両密度シーケンスを地上訓練データとして使用します。 2つの最先端検出器を訓練し評価することにより、ドップラー歪みが平均精度で最大2.37ドルの精度で検出精度を向上させることができることを示す。 さらに、ドップラー速度は、ゼロ速度の初期化ベースラインに対して、マルチオブジェクト追跡精度(MOTA)において、13.68ドルポイントのトラッキング精度を向上でき、また、前値として接地速度を用いて得られたMOTAの99.7ドル%を達成できることを示した。

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)
• DRO: Doppler-Aware Direct Radar Odometry [11.042292216861762]
  移動ロボットアプリケーションのためのレーダーによるセンシングのルネッサンスが進行中である。 スピン周波数変調連続波レーダのための新しいSE(2)オドメトリー手法を提案する。 提案手法は,公開データセットから250km以上のオンロードデータに対して検証されている。
  論文  参考訳（メタデータ） (2025-04-29T01:20:30Z)
• 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)
• 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)
• RadarFormer: Lightweight and Accurate Real-Time Radar Object Detection Model [13.214257841152033]
  レーダー中心のデータセットは、レーダー知覚のためのディープラーニング技術の開発にはあまり注目されていない。 本稿では,視覚深層学習における最先端技術を活用したトランスフォーマーモデルRadarFormerを提案する。 また、チャネルチャープ時マージモジュールを導入し、精度を損なうことなく、モデルのサイズと複雑さを10倍以上に削減する。
  論文  参考訳（メタデータ） (2023-04-17T17:07:35Z)
• Full-Velocity Radar Returns by Radar-Camera Fusion [20.741391191916197]
  本稿では、カメラ画像からの対応する光フローを用いて、ドップラー帰還のポイントワイド全速度推定法を提案する。 また、レーダ・カメラ対応を推定するニューラルネットワークを用いて、レーダ・リターンとカメラ画像の関連性にも対処する。
  論文  参考訳（メタデータ） (2021-08-24T10:42:16Z)
• Radar Artifact Labeling Framework (RALF): Method for Plausible Radar Detections in Datasets [2.5899040911480187]
  粗いレーダ点雲のラベル付けのためのクロスセンサレーダアーチファクトラベルフレームワーク(RALF)を提案する。 RALFは、レーダーの生検出のための可視性ラベルを提供し、アーティファクトとターゲットを区別する。 半手動ラベル付き地上真理データセットの3.28cdot106$ポイントの誤差測定値を評価することにより,結果を検証する。
  論文  参考訳（メタデータ） (2020-12-03T15:11:31Z)
• 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)
• Probabilistic Oriented Object Detection in Automotive Radar [8.281391209717103]
  本稿では,レーダー物体検出のためのディープラーニングに基づくアルゴリズムを提案する。 我々は102544フレームの生レーダと同期LiDARデータを備えた新しいマルチモーダルデータセットを作成しました。 我々の最高性能レーダ検出モデルは、指向性IoU0.3で77.28%APを達成した。
  論文  参考訳（メタデータ） (2020-04-11T05:29:32Z)

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。