論文の概要: A Systematic Evaluation of Infrastructure-Based Radar System for Highway Traffic Monitoring

• arxiv url: http://arxiv.org/abs/2609.27143v1
• Date: Tue, 22 Sep 2026 23:06:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.799579
• Title: A Systematic Evaluation of Infrastructure-Based Radar System for Highway Traffic Monitoring
• Title（参考訳）: 道路交通モニタリングのためのインフラ型レーダシステムのシステム評価
• Abstract要約: インフラベースのレーダーシステムは、交通監視のための堅牢で長距離のソリューションを提供する。 本研究では,DRaT(Drone and Radar Trajectories)を導入した。 レーダーの全体的な精度は78%、リコールは57%で、渋滞した交通条件下での性能は低下している。
• 参考スコア（独自算出の注目度）: 4.056908954793573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrastructure-based radar systems offer robust and long-range solutions for traffic monitoring, yet their detection and tracking performance under real-world conditions remains insufficiently evaluated. This study introduces DRaT (Drone and Radar Trajectories), a dual-modality dataset of naturalistic vehicle trajectories collected at a highway merging segment in Fort Worth, Texas, to systematically assess radar sensing performance against drone-derived ground truth. The performance is evaluated at three levels: individual vehicle detection, trajectory tracking, and macroscopic traffic parameter estimation. For individual vehicle detection, the radar achieves an overall precision of 78% and a recall of 57%, with degraded performance under congested traffic conditions and at longer distances. At the trajectory level, the radar demonstrates reasonably strong tracking performance (IDF1 = 0.699), maintaining reliable vehicle identities when tracks are successfully established. For macroscopic traffic flow metrics, the radar accurately estimates space-mean speed (MAPE < 4%) but underestimates density and volume by approximately 23% due to missed detections. The paper also discusses practical deployment considerations and potential downstream applications of roadside radar sensing systems. To support reproducible research on infrastructure-based sensing systems, we have open-sourced the DRaT dataset on Zenodo: https://zenodo.org/records/20171110.
• Abstract（参考訳）: インフラベースのレーダーシステムは、交通監視のための堅牢で長距離のソリューションを提供するが、実環境下での検知と追跡性能は十分に評価されていない。 本研究はテキサス州フォートワースのハイウェイマージセグメントで収集された自然主義車両軌道のデュアルモードデータセットであるDRaT(Drone and Radar Trajectories)を導入し、ドローン由来の地上真実に対してレーダーセンシング性能を体系的に評価する。 個々の車両検出、軌跡追跡、およびマクロな交通パラメータ推定の3つのレベルで性能を評価する。 個別の車両検出では、レーダーは全体の精度が78%、リコールが57%に達し、渋滞した交通条件下での性能が低下し、長距離で性能が低下する。 軌道レベルでは、レーダーは合理的に強力な追尾性能(IDF1 = 0.699)を示し、軌道の確立が成功したときに信頼性の高い車両の身元を維持する。 マクロな交通流の計測では、レーダーは空間平均速度(MAPE < 4%)を正確に推定するが、検出に失敗したため密度と体積を約23%過小評価する。 また,道路側レーダセンシングシステムの実用化と下流適用の可能性についても論じる。 インフラベースのセンシングシステムに関する再現可能な研究をサポートするため、Zenodo上でDRaTデータセットをオープンソース化しました。

関連論文リスト

• DRT&R: Direct Radar Teach & Repeat [49.657666997508706]
  本稿では,直接回転型レーダーによるナビゲーションスタックであるDirect Radar Teach & Repeat (DRT&R)を紹介する。 DRT&Rは、オンロード環境とオフロード環境の両方において、最先端(SOTA)ローカライゼーション性能を得る。 これは、Clearpath Warthogオフロード車両を用いて、10km以上のMPCコントローラで、クローズドループで自律的に評価される。
  論文  参考訳（メタデータ） (2026-09-15T19:13:53Z)
• A Digital Twin Framework for Traffic-Aware UAV Pavement Monitoring without Lane Closure [0.0]
  本稿では、車線閉鎖のない交通対応UAV舗装監視のためのUnityベースのデジタルツインフレームワークを提案する。 提案した環境は、手続き的に生成された道路欠陥、動的車両と歩行者、無人UAVナビゲーション、組込み道路損傷認識パイプラインを統合している。 デジタル双生児は、ホバー・アンド・リチェック、マイクロ・リポジション、スキップ・アンド・リバイジットという、閉鎖された道路セグメントの3つの回復戦略を評価するために使用された。
  論文  参考訳（メタデータ） (2026-06-17T20:30:52Z)
• 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)
• 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)
• Deep Learning Enhanced Road Traffic Analysis: Scalable Vehicle Detection and Velocity Estimation Using PlanetScope Imagery [38.22365259129059]
  本稿では,PlanetScope SuperDove衛星画像を用いて車両の速度を推定する手法を提案する。 本稿では,RGB帯における車両軌跡追跡のためのキーポイントR-CNNモデルを提案する。 ドローン比較の結果、衛星データの平均速度は112.85km/h、ドローン映像の平均速度は131.83km/hと過小評価されている。
  論文  参考訳（メタデータ） (2024-10-04T18:14:07Z)
• NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for Autonomous Driving [57.03126447713602]
  本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。 ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
  論文  参考訳（メタデータ） (2022-09-29T01:30:34Z)
• Deep Instance Segmentation with High-Resolution Automotive Radar [2.167586397005864]
  本稿では,レーダ検出点を用いた2つの効率的な分割法を提案する。 1つは、PointNet++フレームワークを使用してエンドツーエンドのディープラーニング駆動方式で実装されている。 もう一つは、セマンティック情報を用いたレーダー検出点のクラスタリングに基づいている。
  論文  参考訳（メタデータ） (2021-10-05T01:18:27Z)
• 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)
• 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)

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。