論文の概要: AuRaSim: A Ray-Tracing Based Automotive FMCW Radar Simulator for Dynamic Scenarios
- arxiv url: http://arxiv.org/abs/2610.37403v1
- Date: Tue, 27 Oct 2026 15:19:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.674922
- Title: AuRaSim: A Ray-Tracing Based Automotive FMCW Radar Simulator for Dynamic Scenarios
- Title（参考訳）: AuRaSim:動的シナリオのためのレイトレーシングベース自動車用FMCWレーダシミュレータ
- Abstract要約: AuRaSim(オーラシム)は、レイトレーシングに基づく自動車周波数変調連続波(FMCW)レーダーシミュレーションフレームワークである。
効率的な動的シーン構築のためにBlender上に構築され、グラフィック処理ユニット(GPU)のためのSionna RTは電磁線トレーシングを高速化する。
これは0.147のルート平均二乗誤差(RMSE)と16.93dBのピーク信号対雑音比(PSNR)を達成し、合成信号の精度と忠実さを示す。
- 参考スコア（独自算出の注目度）: 10.18534353626317
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Modern simulators can generate synthetic camera and LiDAR data with accurate annotations for downstream tasks. In contrast, automotive radar simulation remains less mature because it requires not only a 3D engine to model dynamic objects in the scenes but also electromagnetic material properties, antenna configurations, wave propagation mechanisms, and coherent signal synthesis. Existing frameworks are either proprietary or overly simplified, limiting the scalability of radar raw measurements. This paper presents AuRaSim, a ray-tracing-based automotive frequency-modulated continuous wave (FMCW) radar simulation framework for dynamic scenarios. Rather than implementing all components from scratch, AuRaSim builds on Blender for efficient dynamic-scene construction and Sionna RT for graphics processing unit (GPU) accelerated electromagnetic ray tracing, while introducing radar-specific adaptations for path-resolved propagation with complex coefficients, motion-aware Doppler modeling, and subsequently coherent multi-channel analog-to-digital converter (ADC) cube synthesis based on waveform configurations. Quantitative comparison between simulated and measured range-Doppler maps in digital-twin scenarios achieves a root-mean-square error (RMSE) of 0.147 and a peak signal-to-noise ratio (PSNR) of 16.93 dB, demonstrating the accuracy and fidelity of the synthetic signal. AuRaSim therefore provides a complete and extensible platform for reproducible automotive radar simulation and research. Project homepage: https://wangzhaoze.github.io/aurasim.
- Abstract（参考訳）: 現代のシミュレーターは、下流タスクの正確なアノテーションで合成カメラとLiDARデータを生成することができる。
対照的に、車載レーダーシミュレーションは、シーン内の動的物体をモデル化する3Dエンジンだけでなく、電磁特性、アンテナ構成、波動伝播機構、コヒーレント信号合成も必要とするため、未成熟のままである。
既存のフレームワークはプロプライエタリあるいは過度に単純化されているため、レーダーの生計測のスケーラビリティが制限されている。
本稿では、動的シナリオのためのレイトレーシングに基づく自動車周波数変調連続波(FMCW)レーダシミュレーションフレームワークであるAuRaSimを提案する。
AuRaSimは、スクラッチから全てのコンポーネントを実装するのではなく、Blenderを使って効率的な動的シーンの構築を行い、Sionna RTはグラフィック処理ユニット(GPU)で電磁線トレーシングを加速し、一方、複雑な係数を持つ経路解決された伝搬に対するレーダー固有の適応、動き認識ドップラーモデリング、そして波形構成に基づくコヒーレントなマルチチャネルアナログ-デジタル変換器(ADC)キューブ合成を導入している。
デジタルツインシナリオにおけるシミュレーションと測定されたレンジ・ドップラーマップの定量的比較は、0.147のルート平均二乗誤差(RMSE)と16.93dBのピーク信号-雑音比(PSNR)を達成し、合成信号の精度と忠実さを実証する。
AuRaSimは、再現可能な自動車レーダーシミュレーションと研究のための完全な拡張可能なプラットフォームを提供する。
プロジェクトホームページ: https://wangzhaoze.github.io/aurasim.com
関連論文リスト
- HybridSim: A Physics-Learning Hybrid Digital Twin for mmWave Human Sensing [16.25180983132509]
HybridSimは物理を学習するハイブリッドシミュレータで、室内の固定された構成の下で、動的人間のメッシュからミリ波レーダー信号を合成する。
サイト固有のデータ拡張にHybridSimを使用する場合、下流レーダに基づくヒューマンセンシングタスクにおいて、物理ベースの参照と一貫した利得との整合性の向上を示す。
論文 参考訳（メタデータ） (2026-07-17T10:20:31Z) - Sim2Radar: Toward Bridging the Radar Sim-to-Real Gap with VLM-Guided Scene Reconstruction [2.3510064024442374]
Sim2Radarは、単一ビューのRGBイメージから直接レーダーデータを合成するエンドツーエンドのフレームワークである。
Sim2Radarは、単眼深度推定、セグメンテーション、視覚言語推論を組み合わせることで、素材を意識した3Dシーンを再構築する。
Sim2Radarは、現実世界の屋内シーンで評価され、トランスファーラーニングを通じて下流の3Dレーダー知覚を改善する。
論文 参考訳（メタデータ） (2026-02-10T10:56:47Z) - 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) - MoCap2Radar: A Spatiotemporal Transformer for Synthesizing Micro-Doppler Radar Signatures from Motion Capture [1.4937905358679553]
我々は、モーションキャプチャー(MoCap)データからレーダースペクトログラムを合成するための純粋な機械学習プロセスを提案する。
我々は、変換器モデルを用いて、MoCap-to-spectrogram変換をウィンドウ化されたシーケンス-to-Sequenceタスクとして定式化する。
実験により,提案手法は視覚的かつ定量的に測定可能なドップラーレーダ分光図を生成することが示された。
論文 参考訳（メタデータ） (2025-11-14T16:35:14Z) - Simulate Any Radar: Attribute-Controllable Radar Simulation via Waveform Parameter Embedding [12.285004244174917]
SA-Radarは、カスタマイズ可能なレーダー属性に基づいて、制御可能で効率的なレーダーキューブの生成を可能にするレーダーシミュレーションアプローチである。
我々は、波形パラメータを符号化したレーダ属性を条件とした3次元U-NetであるICFAR-Netを設計し、異なるレーダ構成によって引き起こされる信号の変動を捉える。
我々のフレームワークは、新しいセンサ視点と編集シーンのシミュレーションもサポートしており、自動運転アプリケーションのための汎用レーダーデータエンジンとしての可能性を示している。
論文 参考訳（メタデータ） (2025-06-03T17:58:28Z) - Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。
マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。
その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
論文 参考訳（メタデータ） (2025-04-07T15:38:25Z) - DART: Implicit Doppler Tomography for Radar Novel View Synthesis [9.26298115522881]
DARTは、レーダ固有の物理を用いて、レンジドップラー画像のための反射率および透過率に基づくレンダリングパイプラインを作成する、ニューラルラジアンスフィールドにインスパイアされた方法である。
最先端のベースラインと比較して、DARTはすべてのデータセットにまたがる新しいビューから優れたレーダレンジ・ドップラー画像を合成する。
論文 参考訳（メタデータ） (2024-03-06T17:54:50Z) - Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling [65.17711407805756]
Sionnaは、リンクレベルのシミュレーションをベースとしたGPUアクセラレーションのオープンソースライブラリである。
リリース v0.14 以降、電波伝搬のシミュレーションのために微分可能なレイトレーサ (RT) を統合している。
論文 参考訳（メタデータ） (2023-03-20T13:40:11Z) - Synthetic Wave-Geometric Impulse Responses for Improved Speech
Dereverberation [69.1351513309953]
室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。
本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
論文 参考訳（メタデータ） (2022-12-10T20:15:23Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳（メタデータ） (2022-09-22T13:12:54Z)
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。