論文の概要: Image Frame Dynamic Object Segmentation and Ego Motion Estimation using Radar Image Fusion
- arxiv url: http://arxiv.org/abs/2609.22857v1
- Date: Sat, 19 Sep 2026 07:54:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.575095
- Title: Image Frame Dynamic Object Segmentation and Ego Motion Estimation using Radar Image Fusion
- Title（参考訳）: レーダ画像融合を用いた画像フレーム動的物体分割とエゴ運動推定
- Abstract要約: Radar-Dotはレーダー-RGBフレームワークで、レーダードップラー測定を利用してこの結合に対処する。
Radar-Dotは394フレーム対で20.24%の動的IoUと33.67%のF1スコアを達成した。
- 参考スコア（独自算出の注目度）: 3.794601903242627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic object segmentation and ego-motion estimation are closely coupled problems in autonomous driving, as accurate ego-motion estimation typically requires static scene observations, while identifying static observations requires knowledge of the ego motion. We present Radar-Dot, a radar--RGB framework that exploits radar Doppler measurements to address this coupling. Radar returns are first used to estimate ego velocity through a linear Doppler constraint, with residual-based static/dynamic segmentation and robust estimation used to reduce the influence of moving objects. The estimated motion is then combined with metric depth and dense optical flow to identify image regions whose observed motion is inconsistent with the rigid scene motion. Experiments on 10 nuScenes scenes (part of nuscenes-mini) demonstrate that the resulting geometric pipeline achieves 20.24% dynamic IoU and 33.67% F1-score over 394 frame pairs, while radar-based static-point filtering improves ego-velocity estimation compared with using all radar returns. These results demonstrate the potential of radar as a modality for jointly improving ego-motion estimation and dynamic object segmentation.
- Abstract（参考訳）: 動的物体のセグメンテーションとエゴモーション推定は自律走行における密結合の問題であり、正確なエゴモーション推定は一般的に静的なシーン観察を必要とするが、静的な観察はエゴモーションの知識を必要とする。
本稿ではレーダ-RGBフレームワークであるRadar-Dotについて述べる。
レーダリターンは、まず線形ドップラー制約によりエゴ速度を推定するために使用され、残差に基づく静的/動的セグメンテーションと、移動物体の影響を低減するためにロバストな推定が用いられる。
次に、推定された動きとメートル法深度と高密度光流とを組み合わせて、観察された動きが剛性なシーンの動きと矛盾する画像領域を特定する。
10 nuScenesのシーン(nuscenes-miniの一部)での実験では、結果として得られる幾何学的パイプラインは、394 フレーム対上の 20.24% の動的 IoU と 33.67% の F1 スコアを達成した。
これらの結果は,エゴモーション推定と動的対象セグメンテーションを共同で改善するためのモダリティとしてのレーダーの可能性を示す。
関連論文リスト
- Segment Any Motion with Radar: Robust Multimodal Moving-Object Segmentation and Tracking [18.63898447592778]
RGBTR-Motionは、RGB、サーマル、レーダストリームを高密度のインスタンスマスクと時間的に一貫したIDと組み合わせたベンチマークである。
また、SAM 3上に構築されたRGB、サーマル、レーダーに基づくセグメンテーションおよびトラッキングフレームワークであるSAM-Radarも開発している。
論文 参考訳（メタデータ） (2026-09-08T07:17:33Z) - MotionMAR: Multi-scale Auto-Regressive Human Motion Reconstruction from Sparse Observations [51.837372131319285]
MotionMARは、スパース観測からの運動再構成のためのフレームワークである。
まず、人間の動きのグローバルな軌跡を推定し、時間的詳細を徐々に洗練する。
MotionMARは、AMASSデータセット上で最先端の精度を達成する。
論文 参考訳（メタデータ） (2026-06-22T08:15:56Z) - Motion Cues from Image-based Point Tracking for LiDAR Scene Flow Estimation [59.420015367586615]
我々は、LiDARシーンフロー推定における動的オブジェクト表現を改善するための追跡誘導フレームワークであるTrackCueを紹介する。
特に、TrackCueは、ポイントトラッキングを再利用して、LiDARポイントに固定された高密度の画像空間軌跡を得る。
TrackCueは動的ラベルの精度とF1スコアを大幅に向上し、自己監督型シーンフロー推定の性能向上につながることを示す。
論文 参考訳（メタデータ） (2026-05-16T10:28:54Z) - 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) - 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) - RadarMP: Motion Perception for 4D mmWave Radar in Autonomous Driving [13.045666013579732]
RadarMPは、2つの連続するフレームからの低レベルレーダエコー信号を用いた3次元映像の正確な映像知覚のための新しい手法である。
また,RadarMPは,様々な気象条件と照明条件にまたがって,信頼性の高い動作知覚を実現する。
論文 参考訳（メタデータ） (2025-11-15T09:09:29Z) - Radar Tracker: Moving Instance Tracking in Sparse and Noisy Radar Point Clouds [25.36192517603375]
我々は、シーン解釈を強化するために、スパースレーダポイント雲における移動インスタンス追跡に対処する。
本稿では,時間的オフセット予測を取り入れた学習型レーダトラッカーを提案する。
提案手法は,RadarScenesデータセットの移動インスタンス追跡ベンチマークの性能向上を示す。
論文 参考訳（メタデータ） (2025-07-04T09:57:28Z) - 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) - 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) - Ego-Motion Estimation and Dynamic Motion Separation from 3D Point Clouds
for Accumulating Data and Improving 3D Object Detection [0.1474723404975345]
高解像度レーダーセンサーの1つは、ライダーセンサーと比較して、生成された点雲の空間性である。
このコントリビューションは、View-of-Delftデータセット上のレーダーポイント雲の蓄積制限を分析する。
エゴモーション推定と動的動き補正を応用して物体検出性能を向上させる実験を行った。
論文 参考訳（メタデータ） (2023-08-29T14:53:16Z)
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。