論文の概要: STAR: Scene- and Task-Aware 4D Radar Preprocessing Towards End-to-End Cognitive Radar
- arxiv url: http://arxiv.org/abs/2609.24151v1
- Date: Mon, 21 Sep 2026 06:06:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.091852
- Title: STAR: Scene- and Task-Aware 4D Radar Preprocessing Towards End-to-End Cognitive Radar
- Title（参考訳）: STAR:Scene- and Task-Aware 4D Radar Preprocessing to the End-to-End Cognitive Radar
- Abstract要約: 4D Radarは、環境認識、範囲、方位、標高、ドップラー測定のための重要なセンサーとして登場した。
本稿では,Scene- and Task-Aware Radar (STAR) プレプロセッサとエンドツーエンドのトレーニングフレームワークを提案する。
STARプリプロセッサはシーンコンテキストとダウンストリームタスクの目的を組み込んでタスク関連のRadarポイントを生成し、Radar表現を直接認識に最適化することができる。
- 参考スコア（独自算出の注目度）: 5.582101184758528
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Four-dimensional (4D) Radar has emerged as a key sensor for environmental perception, providing range, azimuth, elevation, and Doppler measurements while remaining robust to illumination changes and adverse weather conditions. However, conventional Radar preprocessing methods, such as constant false alarm rate (CFAR) detection, select measurements primarily based on signal-level criteria and may therefore discard information valuable for downstream perception during point cloud generation. In addition, existing 4D Radar perception pipelines typically optimize Radar data processing and downstream perception independently, preventing task objectives from directly guiding the preprocessing stage. To address these limitations, we propose a Scene- and Task-Aware Radar (STAR) Preprocessor together with an end-to-end training framework. The STAR Preprocessor incorporates scene context and downstream task objectives to generate task-relevant Radar points, enabling the Radar representation to be optimized directly for perception. On the K-Radar benchmark, the proposed method achieves 74.3 AP, outperforming the previous state of the art by 5.6 AP points. Furthermore, applying the task-relevant points generated by STAR to various existing 3D detectors improves detection performance in most evaluation settings and yields an overall positive average gain over point clouds produced by conventional preprocessing.
- Abstract（参考訳）: 4次元(4D)レーダーは、環境認識の鍵となるセンサーとして出現し、照度、方位、高度、ドップラーの測定を提供しながら、照明の変化や悪天候に頑健なままである。
しかし,従来のレーダ前処理手法であるCFAR検出では,信号レベル基準を主眼とした測定を選択できるため,点雲発生時の下流認識に有用な情報を捨てる可能性がある。
さらに、既存の4Dレーダ認識パイプラインは、通常、Radarデータ処理と下流認識を独立して最適化し、タスク目標が前処理ステージを直接導くのを防ぐ。
これらの制約に対処するため,Scene- and Task-Aware Radar (STAR) プレプロセッサとエンドツーエンドのトレーニングフレームワークを提案する。
STARプリプロセッサはシーンコンテキストとダウンストリームタスクの目的を組み込んでタスク関連のRadarポイントを生成し、Radar表現を直接認識に最適化することができる。
K-Radarベンチマークでは、提案手法は74.3APを達成し、従来の最先端の5.6APポイントを上回った。
さらに,STARが生成するタスク関連点を既存3D検出器に適用することにより,ほとんどの評価設定における検出性能が向上し,従来の前処理による点群よりも全体の正の平均ゲインが得られる。
関連論文リスト
- DinoRADE: Full Spectral Radar-Camera Fusion with Vision Foundation Model Features for Multi-class Object Detection in Adverse Weather [4.199844472131922]
DinoRADEは、高密度なRadarテンソルを処理し、カメラパースペクティブで変換された参照ポイントの周りに視覚的特徴を集約するRadar中心検出パイプラインである。
我々は,全気象条件におけるK-Radarデータセットの総合的な性能評価を行い,検出性能を5つのクラスで個別に報告した。
論文 参考訳（メタデータ） (2026-04-09T10:46:41Z) - 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) - 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) - 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) - 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) - 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) - 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。