論文の概要: Refining Roadside 4D Radar Vehicle Classification Using Point-Cloud Dispersion

• arxiv url: http://arxiv.org/abs/2611.02147v1
• Date: Sun, 01 Nov 2026 19:30:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:12:52.112398
• Title: Refining Roadside 4D Radar Vehicle Classification Using Point-Cloud Dispersion
• Title（参考訳）: ポイントクラウド分散を用いた道路側4次元レーダ車両の分類
• Abstract要約: 本研究では4次元レーダとステレオ深度カメラを組み合わせた道路側マルチセンサプラットフォームを提案する。 レーダポイントクラウドクラスタの時間平滑な2次元位置標準偏差に対して,Neyman-Pearson を用いたバイナリ分類器を提案する。 このアプローチはレーダのみの分類信頼性を改善し、将来のカメラレーダ融合の基礎となる。
• 参考スコア（独自算出の注目度）: 1.4755786263360529
• License:
• Abstract: Roadside sensing infrastructure is essential for Intelligent Transportation Systems (ITS), but cameras and legacy sensors are limited in range, weather robustness, and depth accuracy. 4D radar complements these modalities by resolving range, azimuth, elevation, and radial velocity under adverse conditions, though its sparse, noisy point clouds make reliable classification difficult. We present a roadside multi-sensor platform combining a 4D radar and stereo depth camera under synchronized acquisition, used to collect a real-world dataset. Our analysis reveals a substantial class-distribution discrepancy between modalities, most notably a strong radar confusion between passenger cars and motorcycles (49.01% and\ 48.60% of the dataset). To address this, we propose a Neyman-Pearson-based binary classifier on the temporally-smoothed 2D positional standard deviation of radar point cloud clusters, reducing classification error from 52.1% to 42.7%. This lightweight and edge-deployable approach improves radar-only classification reliability and lays the foundation for future camera-radar fusion.
• Abstract（参考訳）: 道路脇のセンシングインフラは、インテリジェントトランスポーテーションシステム(ITS)にとって不可欠であるが、カメラとレガシーセンサーは、範囲、天候の堅牢性、深度精度に制限されている。 4Dレーダは、その希薄でノイズの多い点雲が信頼性の高い分類を困難にしているにもかかわらず、悪条件下での範囲、方位、標高、放射速度を解き、これらのモダリティを補完する。 本研究では,4次元レーダとステレオ深度カメラを併用した道路沿いのマルチセンサプラットフォームについて,実世界のデータセットの収集に使用した。 分析の結果,車とオートバイのレーダーの混乱が顕著である(データセットの49.01%,\48.60%)。 そこで我々は,レーダポイントクラウドクラスタの時間平滑な2次元位置標準偏差に対して,Neyman-Pearsonを用いたバイナリ分類器を提案し,52.1%から42.7%に分類誤差を低減した。 この軽量でエッジ対応のアプローチは、レーダーのみの分類信頼性を改善し、将来のカメラとレーダーの融合の基礎となる。

関連論文リスト

• 4D-RaDiff: Latent Diffusion for 4D Radar Point Cloud Generation [10.945807584683726]
  本研究では,物体検出装置の訓練および評価のための4次元レーダポイント雲を生成する新しいフレームワークを提案する。 提案された4D-RaDiffは、ラベルのないバウンディングボックスを高品質なレーダーアノテーションに変換し、既存のLiDARポイントクラウドデータをリアルなレーダーシーンに変換する。
  論文  参考訳（メタデータ） (2025-12-16T09:43:05Z)
• RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
  暗い照明や悪天候はカメラの性能を低下させる。 レーダーは騒音と位置のあいまいさに悩まされる。 本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
  論文  参考訳（メタデータ） (2025-02-18T17:17:38Z)
• V2X-Radar: A Multi-modal Dataset with 4D Radar for Cooperative Perception [61.58737390490639]
  V2X-Radarは、4Dレーダを特徴とする世界初の大規模実世界のマルチモーダルデータセットである。 データセットは20KのLiDARフレーム、40Kのカメライメージ、350Kの注釈付きボックスを含む20Kの4Dレーダデータで構成されている。 様々な研究領域をサポートするために, 協調認識のためのV2X-Radar-C, 路面認識のためのV2X-Radar-I, 単車知覚のためのV2X-Radar-Vを確立した。
  論文  参考訳（メタデータ） (2024-11-17T04:59:00Z)
• RadarOcc: Robust 3D Occupancy Prediction with 4D Imaging Radar [15.776076554141687]
  3D占有に基づく知覚パイプラインは、かなり進歩した自律運転を持つ。 現在の方法では、LiDARやカメラの入力を3D占有率予測に頼っている。 本稿では,4次元イメージングレーダセンサを用いた3次元占有予測手法を提案する。
  論文  参考訳（メタデータ） (2024-05-22T21:48:17Z)
• Human Detection from 4D Radar Data in Low-Visibility Field Conditions [17.1888913327586]
  現代の4Dイメージングレーダは、範囲、垂直角度、水平角度、ドップラー速度の寸法にわたってターゲット応答を提供する。 セマンティックセグメンテーションにこの4Dレーダモダリティを利用するCNNアーキテクチャTMVA4Dを提案する。 このデータセット上でTMVA4Dを用いてmIoUスコア78.2%、mDiceスコア86.1%を達成し、背景と人物の2つのクラスで評価した。
  論文  参考訳（メタデータ） (2024-04-08T08:53:54Z)
• Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
  本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。 具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
  論文  参考訳（メタデータ） (2023-07-31T09:53:50Z)
• 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)
• 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。