論文の概要: Reflection-Aware Reasoning for Non-Line-of-Sight Pedestrian Localization

• arxiv url: http://arxiv.org/abs/2609.27346v1
• Date: Wed, 23 Sep 2026 04:33:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.886873
• Title: Reflection-Aware Reasoning for Non-Line-of-Sight Pedestrian Localization
• Title（参考訳）: 非線形歩行者位置推定のための反射認識推論
• Abstract要約: 移動車を用いたNLOS歩行者位置推定のためのリフレクション・アウェア・フレームワークを提案する。 本フレームワークは,前面カメラ画像と2次元レーダ点雲を融合させて反射秩序と反射面分布を推定する。 我々は,エゴ力学条件下での屋外テストベッドシナリオにおけるフレームワークの有効性を検証した。
• 参考スコア（独自算出の注目度）: 6.499160665111714
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reliable localization of non-line-of-sight (NLOS) pedestrians is critical for safe urban autonomous driving, yet it remains highly challenging in ego-dynamic outdoor environments, where ego-vehicle motion makes radar multipath propagation complex and noisy. In this paper, we present a reflection-aware framework for NLOS pedestrian localization with a moving ego-vehicle in outdoor testbed scenarios. Our framework fuses front-view camera images and 2D radar point clouds to infer reflection orders and reflective surface distributions in bird's-eye-view space. It then uses physics-guided ray tracing to reconstruct distorted reflection paths and localize the hidden pedestrian. We validate the framework in outdoor testbed scenarios under ego-dynamic conditions. The results demonstrate the effectiveness of the proposed framework for NLOS pedestrian localization with a moving ego-vehicle.
• Abstract（参考訳）: 非視線(NLOS)歩行者の信頼性の高いローカライゼーションは、安全な都市自動運転には不可欠であるが、エゴ動力学的屋外環境では、エゴ車の動きがレーダーマルチパスの伝搬を複雑でうるさいものにすることが非常に困難である。 本稿では,屋外テストベッドにおける移動車を用いたNLOS歩行者位置推定のためのリフレクション・アウェア・フレームワークを提案する。 本フレームワークは、前方カメラ画像と2次元レーダー点雲を融合して、鳥眼空間における反射秩序と反射面分布を推定する。 次に物理誘導線トレーシングを使用して、歪んだ反射路を再構築し、隠れた歩行者をローカライズする。 我々は,エゴ力学条件下での屋外テストベッドシナリオにおけるフレームワークの有効性を検証した。 その結果,移動車を用いたNLOS歩行者位置推定手法の有効性が示された。

関連論文リスト

• ReinDriveGen: Reinforcement Post-Training for Out-of-Distribution Driving Scene Generation [61.64162666162948]
  ReinDriveGenは動的駆動シーンのフルコントロールを可能にするフレームワークである。 提案手法は,マルチフレームLiDARデータから動的3Dポイントクラウドシーンを構築する。 提案手法では,映像拡散モデルを用いてリアルな運転映像を合成する2次元条件画像に編集シーンを描画する。
  論文  参考訳（メタデータ） (2026-04-01T16:48:20Z)
• Radar-Based NLoS Pedestrian Localization for Darting-Out Scenarios Near Parked Vehicles with Camera-Assisted Point Cloud Interpretation [14.486658289318408]
  道路沿いの駐車場から生じる視界のない盲点は、道路安全にとって大きな課題である。 mmWave技術は回折と反射を利用してNLoS領域を観測する。 単眼カメラ画像と2Dレーダポイントクラウドデータを統合するNLoS歩行者位置決めフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-06T02:54:39Z)
• mmWave Radar-Based Non-Line-of-Sight Pedestrian Localization at T-Junctions Utilizing Road Layout Extraction via Camera [8.812918440666673]
  我々は,NLoS歩行者の局所化のために,カメラから推定される道路レイアウトを通してレーダPCDを解釈する新しい枠組みを提案する。 提案手法の有効性を実車に搭載したレーダカメラシステムを用いて実験により検証した。
  論文  参考訳（メタデータ） (2025-08-04T12:31:11Z)
• 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)
• The ATLAS of Traffic Lights: A Reliable Perception Framework for Autonomous Driving [9.932968493913357]
  本稿では,最先端検出モデルと新たなリアルタイムアソシエーションと意思決定フレームワークを統合したモジュール化された認識フレームワークを提案する。 我々は、交通信号状態とピクトグラムの包括的なアノテーションを提供するATLASデータセットを紹介した。 我々は、ATLAS上のいくつかの最先端の信号検出アーキテクチャを訓練し、評価し、精度とロバスト性の両方において顕著な性能向上を示す。
  論文  参考訳（メタデータ） (2025-04-28T12:15:42Z)
• 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)
• Dfferentiable Raycasting for Self-supervised Occupancy Forecasting [52.61762537741392]
  自動運転のための運動計画では、エゴ車の周囲の環境が時間とともにどのように進化するかを学ぶ必要がある。 本稿では,自由空間のようなビュー依存表現の自然な代替手段として,幾何学的占有を用いる。 私たちの重要な洞察は、差別化可能なレイキャストを使用して、将来の占有率予測を、将来のLiDARスイープ予測に"レンダリング"することです。
  論文  参考訳（メタデータ） (2022-10-04T21:35:21Z)
• PLOP: Probabilistic poLynomial Objects trajectory Planning for autonomous driving [8.105493956485583]
  条件付き模倣学習アルゴリズムを用いて,エゴ車とその周辺地域の軌道を推定する。 私たちのアプローチは計算効率が高く、オンボードセンサーのみに依存します。 公開データセットnuScenesでオフラインで評価する。
  論文  参考訳（メタデータ） (2020-03-09T16:55:07Z)

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。