論文の概要: Confidence-Aware Speed-over-Ground Estimation from Doppler Spectra via Reconstruction-Based Representation Learning
- arxiv url: http://arxiv.org/abs/2610.40253v1
- Date: Thu, 29 Oct 2026 15:21:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.52461
- Title: Confidence-Aware Speed-over-Ground Estimation from Doppler Spectra via Reconstruction-Based Representation Learning
- Title（参考訳）: 再構成に基づく表現学習によるドップラースペクトルからの信頼度認識速度推定
- Abstract要約: レール領域データに基づいてトレーニングした信頼度を考慮した地上速度推定法を提案する。
我々は,従来の作業からドップラーRaDARまでの性能評価を行うために,オートエンコーダによる再構築作業を利用する。
実験により,従来のベースラインよりも高速推定精度が向上することが確認された。
- 参考スコア（独自算出の注目度）: 16.131350407664154
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable speed-over-ground estimation from ground-facing Doppler spectra is essential for mobile platforms such as railway systems. Classical signal-processing approaches can provide accurate estimates under favorable conditions, but often degrade in challenging conditions. We propose confidence-aware speed-over-ground estimation trained on rail-domain data that estimates speed over ground and frame-level confidence from Doppler spectra with several novel contributions: First, we transfer the idea of exploiting a reconstruction task by an autoencoder for performance estimation from previous work to Doppler RaDAR. Second, we append a speed-over-ground estimation head operating on the autoencoder's latent space features. Third, we omit the reconstruction decoder during inference but add a low-cost dedicated confidence head for frame-wise error-bound estimation. Fourth, we reveal how noise augmentation training can provide high robustness to the method. Experiments show that our approach improves speed estimation accuracy over classical baselines while providing informative confidence estimates that indicate the reliability of individual predictions, even under adverse signal conditions.
- Abstract（参考訳）: 鉄道等の移動体プラットフォームにおいて,地上ドップラースペクトルからの信頼性の高い地上速度推定が不可欠である。
古典的な信号処理アプローチは、好ましい条件下で正確な推定を提供するが、しばしば困難な条件で劣化する。
本稿では,ドップラースペクトルから地上およびフレームレベルの信頼度を推定するレール領域データに基づいてトレーニングされた信頼度を考慮した速度オーバーグラウンド推定について,いくつかの新しい貢献により提案する。
第2に、オートエンコーダの潜時空間機能に、速度オーバーグラウンド推定ヘッドを付加する。
第三に、推論中に再構成デコーダを省略するが、フレームワイドエラーバウンド推定のために、低コストの専用信頼ヘッドを追加する。
第4に,ノイズ増強訓練が手法に高いロバスト性をもたらすことを明らかにする。
実験により,提案手法は,信号条件の悪条件下であっても,個々の予測の信頼性を示す情報的信頼度を推定しながら,古典的ベースラインの速度推定精度を向上することを示した。
関連論文リスト
- Routing Policy Optimization for Online Diffusion Reinforcement Learning [63.968567790829496]
強化学習は、視覚ジェネレータを訓練対象を超えて報酬信号と整合させることができる。
既存のスコア関数法は、典型的には逆の denoising 軌道を摂動することによって導入される。
我々は、アテンションルーティングを探索行動に変換するためにルーティングポリシー最適化を使用します。
論文 参考訳（メタデータ） (2026-10-15T17:40:30Z) - Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting [59.015610520217734]
我々は,コンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。
推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。
論文 参考訳（メタデータ） (2026-09-29T22:47:10Z) - Dense Soft Weighting for Radar Ego-Velocity Estimation [6.356174487225252]
本稿では,エゴ速度推定のための分析レーダフロントエンドであるDense Soft Weightingを提案する。
すべてのレンジドップラーセルを2値検出閾値を強制するのではなく、連続した信頼度にマッピングする。
これは、最強のCFARポイントクラウドベースラインと比較して平均的な絶対的なポーズエラーを31-45%削減する。
論文 参考訳（メタデータ） (2026-07-29T14:37:52Z) - Neural Posterior Estimation of Terrain Parameters from Radar Sounder Data [49.62628745057007]
レーダ音響データからの地形パラメータインバージョンに対するシミュレーションに基づく推論手法を提案する。
GPUベースのシミュレータからの合成観測は、神経後部推定のためのニューラルネットワークベースの密度推定器の訓練に使用される。
我々は、NPEモデルがシミュレーションデータに基づいて十分に校正され、実際の火星レーダープロファイルに転送可能であることを実証した。
論文 参考訳（メタデータ） (2026-05-05T08:41:02Z) - UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry [16.577608323279662]
UNRIOは、不確実性を認識したレーダー慣性オドメトリーシステムである。
生のmmWaveレーダーIQ信号から直接エゴ速度を推定する。
論文 参考訳（メタデータ） (2026-04-15T07:43:06Z) - TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。
具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。
従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
論文 参考訳（メタデータ） (2025-04-16T05:25:04Z) - Calibrated and Efficient Sampling-Free Confidence Estimation for LiDAR Scene Semantic Segmentation [1.8861801513235323]
分類タスクの信頼度を適切に推定するためのサンプリング不要な手法を提案する。
提案手法は,処理速度の向上を図りながら,精度の高い信頼度を維持している。
本手法は, 過信予測よりも不信感を生じ, 安全クリティカルなアプリケーションに有利である。
論文 参考訳（メタデータ） (2024-11-18T15:13:20Z) - Certified Human Trajectory Prediction [66.1736456453465]
本稿では,ロバスト性を保証する軌道予測に適した認証手法を提案する。
そこで本研究では, 拡散型トラジェクトリデノイザを提案し, 本手法に組み込むことにより, 性能低下を緩和する。
認定された予測器の精度と堅牢性を実証し、認定されていない予測器に対するそれらの優位性を強調する。
論文 参考訳（メタデータ） (2024-03-20T17:41:35Z) - HuPR: A Benchmark for Human Pose Estimation Using Millimeter Wave Radar [30.51398364813315]
本稿では,ミリ波レーダを用いた人間のポーズ推定ベンチマーク「Human Pose with Millimeter Wave Radar (HuPR)」を紹介する。
このデータセットは、レーダに基づく人間のポーズ推定のクロスモダリティトレーニングのために、クロスキャリブレーションされたmmWaveレーダセンサとモノクラーRGBカメラを用いて作成される。
論文 参考訳（メタデータ） (2022-10-22T22:28:40Z) - 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)
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。