論文の概要: Automotive mmWave Spinning Radar Place Recognition with Spatially Gated Feature-Correlation Representation

• arxiv url: http://arxiv.org/abs/2609.27394v1
• Date: Wed, 23 Sep 2026 05:51:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.902367
• Title: Automotive mmWave Spinning Radar Place Recognition with Spatially Gated Feature-Correlation Representation
• Title（参考訳）: 空間ゲージ付き特徴相関表現を用いた自動車用ミリ波スピンリングレーダ位置認識
• Abstract要約: 回転レーダ位置認識フレームワークであるSGCA-Netを提案する。 SGCA-Netは、都市、キャンパス、オープンロード環境におけるSOTA手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 6.668415658083787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automotive spinning FMCW radar provides dense, $360^\circ$ sensing and remains reliable under poor illumination and adverse weather, making it well-suited to autonomous navigation. Place recognition uses these observations to identify previously visited locations for re-localization and long-term navigation. However, heading changes appear as circular shifts in the polar radar representation, and conventional global aggregation can lose relationships among radar responses that are important for distinguishing similar places. We propose SGCA-Net, a spinning radar place recognition framework that combines rotation-robust feature extraction with Spatially Gated Correlation Aggregation (SGCA). SGCA learns spatial weights to reduce the influence of unstable and ambiguous radar regions, while aggregating pairwise correlations among local responses to preserve informative feature relationships. Experiments on the MulRan dataset show that SGCA-Net consistently outperforms SOTA methods across urban, campus, and open-road environments, while remaining robust to substantial heading variation. Evaluation on the HeRCULES dataset further demonstrates that SGCA-Net generalizes to unseen environments and radar sensors without fine-tuning.
• Abstract（参考訳）: 自動車用回転型FMCWレーダーは、密集した360^\circ$センサーを提供し、照明や悪天候下では信頼性が低く、自律走行にも適している。 場所認識は、これらの観測を使用して、訪問した場所を、再位置付けと長期ナビゲーションのために特定する。 しかし、方向の変化は極性レーダ表現の円形シフトとして現れ、従来のグローバルアグリゲーションは、類似した位置の識別に重要なレーダ応答間の関係を失う可能性がある。 本研究では,回転ロバスト特徴抽出とSGCAを併用した回転レーダ位置認識フレームワークであるSGCA-Netを提案する。 SGCAは空間重みを学習し、不安定であいまいなレーダー領域の影響を減らし、一方、局所応答間の対相関を集約し、情報的特徴関係を保存する。 MulRanデータセットの実験によると、SGCA-Netは、都市、キャンパス、オープンロード環境におけるSOTAの手法を一貫して上回っている。 HeRCULESデータセットの評価は、SGCA-Netが微調整なしで見えない環境やレーダーセンサーに一般化できることをさらに示している。

関連論文リスト

• LLM-Empowered Multimodal Fusion Framework for Autonomous Driving: Semantic Enhancement and Channel-Adaptive Design [56.76240343283953]
  本稿では,大規模言語モデル中心のセマンティック・レイヤ・チャネル・アウェア・インテグレート・パーセプション・フレームワークを提案する。 ローカルな視覚ストリームと、知覚盲点をカバーするために使用される品質の変化した外部レーダーストリームを融合させる。 nuScenesとVIRATの実験は、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-07-02T06:44:02Z)
• Learning Structurally Consistent Representations for Multi-View Radar Semantic Segmentation [2.4705928100051135]
  マルチビューレーダセグメンテーションのための高次構造アライメントフレームワークを提案する。 提案手法は、学習可能なハイパーグラフを用いてレーダ特徴表現を洗練し、高次依存関係をキャプチャする。 CARRADAとRADIalベンチマークの実験では、強いレーダー固有のベースラインよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-06-30T12:57:15Z)
• 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)
• LRFusionPR: A Polar BEV-Based LiDAR-Radar Fusion Network for Place Recognition [2.77989705536351]
  自律運転においては、位置認識はGPSを用いた環境におけるグローバルな位置決めに不可欠である。 本稿では,LiDARを単一チップまたは走査型レーダーで融合させることにより,認識精度とロバスト性を向上させるLRFusionPRを提案する。
  論文  参考訳（メタデータ） (2025-04-27T10:20:32Z)
• 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)
• 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)
• Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation [73.0103413636673]
  本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。 CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
  論文  参考訳（メタデータ） (2021-04-29T10:06:29Z)
• 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。