論文の概要: Dr-LiSA: Direct Radar-Lidar Scan Alignment for $SE(3)$ Localization

• arxiv url: http://arxiv.org/abs/2609.26423v1
• Date: Tue, 22 Sep 2026 13:50:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.673815
• Title: Dr-LiSA: Direct Radar-Lidar Scan Alignment for $SE(3)$ Localization
• Title（参考訳）: Dr-LiSA:$SE(3)$ローカライゼーションのためのダイレクトレーダーライダースキャンアライメント
• Abstract要約: Dr-LiSAは、2D回転レーダー強度測定を3Dライダーマップに対して$SE(3)$でローカライズする方法である。
• 参考スコア（独自算出の注目度）: 11.976556486362862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces Dr-LiSA, a first-of-its-kind direct method for localizing 2D spinning radar intensity measurements in $SE(3)$ against 3D lidar maps. Radar-lidar localization combines the complementary strengths of the two sensing modalities: radar is robust to adverse weather and precipitation, while lidar provides high-fidelity 3D maps in favourable conditions. However, existing radar-lidar localization methods are restricted to planar $SE(2)$ localization and have generally fallen short of the accuracy achieved by lidar-lidar and even radar-radar systems. A key challenge is the substantial sensing-modality gap between radar and lidar, which observe and represent scene structure in fundamentally different ways. Dr-LiSA bridges this gap using a learned forward model that predicts radar measurements from a lidar submap at a candidate pose, enabling direct photometric alignment of predicted and observed radar scans in $SE(3)$. Dr-LiSA outperforms prior radar-lidar approaches in $SE(2)$ while achieving planar accuracy competitive with state-of-the-art radar-radar localization across more than 90 km of on-road data.
• Abstract（参考訳）: 本稿では,Dr-LiSAについて紹介する。Dr-LiSAは,3次元ライダーマップに対してSE(3)$の2次元回転レーダ強度測定をローカライズする手法である。 レーダーとライダーの局部化は、レーダーは悪天候と降水に対して堅牢であり、ライダーは好ましい条件下で高忠実度3Dマップを提供する。 しかし、既存のレーダーライダーのローカライゼーション法は、プランナーの$SE(2)$ローカライゼーションに制限されており、ライダーライダーシステムやレーダーレーダーシステムによって達成された精度には一般的に劣っている。 重要な課題は、レーダーとライダーの間の実質的な感覚とモダリティのギャップであり、基本的に異なる方法でシーン構造を観察し、表現することである。 Dr-LiSAはこのギャップを、候補ポーズにおけるライダーサブマップからレーダー計測を予測し、予測されたレーダースキャンと観測されたレーダースキャンの直接光度アライメントを$SE(3)$で実現する学習前方モデルを用いて橋渡しする。 Dr-LiSAは以前のレーダーライダーのアプローチを$SE(2)$で上回り、90km以上のオンロードデータで最先端のレーダーレーダーのローカライゼーションと競合する平面精度を達成した。

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)
• Dr-BA: Separable Optimization for Direct Radar Bundle Adjustment & Localization [12.318856176227383]
  Dr-BAは、2D回転レーダーの強度画像を直接操作する、第一種レーダーバンドル調整フレームワークである。 Dr-BAは200km以上のオンロードデータで実証された最先端のレーダーベースBAとクロスセッションローカライゼーション性能を達成する。
  論文  参考訳（メタデータ） (2026-05-07T23:41:16Z)
• RLPR: Radar-to-LiDAR Place Recognition via Two-Stage Asymmetric Cross-Modal Alignment for Autonomous Driving [14.25906590501402]
  Radar-to-LiDARの位置認識は、既存のLiDARマップ内のレーダースキャンをローカライズすることができる。 RLPRは、単一チップ、走査、および4Dレーダと互換性のある堅牢なレーダー対LiDAR位置認識フレームワークである。 4つのデータセットの実験により、RLPRは強力なゼロショット一般化能力で認識精度を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-09T03:28:44Z)
• HyperDet: 3D Object Detection with Hyper 4D Radar Point Clouds [7.899148878601621]
  検出器に依存しないレーダーのみの3D検出フレームワークであるHyperDetを提案する。 標準的なLiDAR指向検出器のためのタスク対応のハイパー4Dレーダーポイントクラウドを構築している。 MAN TruckScenesでは、HyperDetはVoxelNeXtとCenterPointによる生のレーダー入力よりも一貫して改善されている。
  論文  参考訳（メタデータ） (2026-02-12T04:21:58Z)
• TransRAD: Retentive Vision Transformer for Enhanced Radar Object Detection [6.163747364795787]
  本稿では,新しい3次元レーダ物体検出モデルであるTransRADを提案する。 本研究では、ディープレーダオブジェクト検出における重複境界ボックスの共通問題を軽減するために、位置認識型NMSを提案する。 その結果,TransRADは2次元および3次元のレーダ検出タスクにおいて最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-29T20:21:41Z)
• Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
  本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。 提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。 本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
  論文  参考訳（メタデータ） (2024-05-07T20:44:48Z)
• 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)
• 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)

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。