論文の概要: CLOCs-R: Radar-Assisted Camera-LiDAR Fusion for Long-Range Object Detection
- arxiv url: http://arxiv.org/abs/2611.04300v1
- Date: Tue, 03 Nov 2026 04:30:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 00:25:57.71278
- Title: CLOCs-R: Radar-Assisted Camera-LiDAR Fusion for Long-Range Object Detection
- Title(参考訳): CLOCs-R:長距離物体検出のためのレーダー支援カメラ-LiDAR融合
- Abstract要約: CLOCs-RはCLOCs候補レベル融合フレームワークの拡張であり,カメラ-LiDAR再構成にレーダエビデンスを付加する。
Radarは連続してBEV APを30-50m(0.857から0.870)で改善するが、50mを超える利得は小さい(+0.003中心距離AP)。
我々の分析は、レーダー特徴による真偽検出の弱い分離のために、限られた長距離の利点を生かしている。
- 参考スコア(独自算出の注目度): 1.5948860527881512
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Long-range 3D object detection remains difficult for autonomous vehicles because LiDAR returns become sparse and camera evidence weakens with distance, while automotive radar keeps returning measurements far beyond both. We present CLOCs-R, an extension of the CLOCs candidate-level fusion framework that adds radar evidence to camera-LiDAR rescoring. Radar returns are accumulated over several sweeps, compensated for ego-motion, and associated with each pre-NMS 3D candidate through a range-dependent gate. Compact features summarizing support, Doppler speed and spread, range residual, and offset are then appended to every camera-LiDAR pair before a lightweight fusion network rescores the candidates. We first verify that our fusion implementation reproduces CLOCs on KITTI. We then evaluate on the daytime clear-weather subset of the aiMotive dataset, reporting distance-binned metrics out to 200 m with frozen SECOND and Cascade R-CNN detectors. Camera-LiDAR CLOCs improves on SECOND up to 50 m but degrades beyond it. A residual scoring variant, introduced post hoc, corrects SECOND's score instead of replacing it and recovers most of this loss. Radar consistently improves BEV AP at 30-50 m (0.857 to 0.870), but beyond 50 m its gain is small (+0.003 center-distance AP), within seed variation, and CLOCs-R with residual scoring is statistically tied with LiDAR-only SECOND. Our analysis attributes the limited long-range benefit to weak separation of true and false detections by radar features, scarce far-range training positives, poor camera evidence at distance, and missing LiDAR proposals that rescoring cannot recover. We report all as-designed and post hoc results side by side.
- Abstract(参考訳): 長距離の3Dオブジェクト検出は、LiDARのリターンが狭くなり、カメラの証拠が距離によって弱まるため、自動運転車にとって依然として困難である。
CLOCs-RはCLOCs候補レベル融合フレームワークの拡張であり,カメラ-LiDAR再構成にレーダエビデンスを付加する。
レーダーリターンは複数のスイープに蓄積され、エゴモーションに補償され、レンジ依存ゲートを介して各NMS前3D候補と関連付けられている。
小型化サポート、ドップラー速度と展開、レンジ残差、オフセットは、軽量融合ネットワークが候補を再スコアする前に、すべてのカメラとLiDARペアに追加される。
我々はまず,融合実装がKITTI上でCLOCを再現することを確認した。
次に、aiMotiveデータセットの日中クリアウェザーサブセットを評価し、凍ったSECONDとカスケードR-CNN検出器で200mまでの距離を計測した。
カメラ-LiDAR CLOCは、SECONDで最大50m改善するが、それ以上に劣化する。
ポストホックを導入した残留スコアの変種は、SECONDのスコアを置き換える代わりに修正し、この損失の大半を回復する。
レーダーは30-50m(0.857から0.870)で連続的にBEV APを改良するが、50m以上では種子の変動が小さく(+0.003中心距離AP)、残留スコアのCLOC-Rは統計的にLiDARのみのSECONDと結びついている。
我々の分析は、レーダー特徴による真偽検出の弱い分離、遠距離訓練陽性の欠如、遠隔地でのカメラ証拠の不十分、リスコリングが回復できないLiDAR提案の欠如による、限られた長距離の利点を特徴としている。
設計済みとポストホックの結果を並べて報告する。
関連論文リスト
- Online Target-less Radar-LiDAR-Camera Extrinsic Calibration via Joint Optimization [12.798480805492458]
レーダ-LiDARカメラシステムにおけるオンラインターゲットレス外部キャリブレーションの問題に対処する。
既存のターゲットレス方式は、主に単一のセンサーペア用に設計されている。
センサペアごとに残差を構成する共同校正フレームワークを提案する。
本手法は,様々な都市環境をカバーする社内レーダ・LiDARカメラ・データセットで検証する。
論文 参考訳(メタデータ) (2026-10-03T14:35:45Z) - JustDepth: Real-Time Radar-Camera Depth Estimation with Single-Scan LiDAR Supervision [2.985859733530328]
JustDepthは、レーダー、カメラ、シングルスキャンLiDARのみで訓練された、単一ステージのレーダーカメラ深度推定装置である。
ハイトフュージョンブロックはモダリティを融合し、軽量のGNNは世界規模で深さを伝播し、トレーニング専用の信頼度デコーダはテスト時間コストゼロで学習を安定化する。
nuScenesでは、最近の最先端の手法と比較して、JustDepthは推測時間を39.7倍にし、VHGRによって測定された成果物を66%削減しながら精度を維持している。
論文 参考訳(メタデータ) (2026-07-24T10:20:16Z) - RAF: Reliability-Aware Fusion of Camera, LiDAR, and 4D RADAR for Robust 3D Object Detection in Adverse Weather [47.7622249773517]
本稿では,RAF(Reliability-Aware Fusion)を導入し,画素ごとの信頼度を明示的に推定し,信頼できない視覚的手がかりを識別・抑制するための直接学習信号を提供する。
RAFはLiDAR-RADARベースラインに対する検出精度を継続的に改善し、+6.5 $AP_BEV$と+7.4 $AP_3D$ゲインを達成している。
論文 参考訳(メタデータ) (2026-07-06T01:24:35Z) - Radar-Informed 3D Multi-Object Tracking under Adverse Conditions [2.5755864395384775]
RadarMOTはレーダーインフォームド3Dマルチオブジェクト追跡フレームワークである。
レーダー点雲を追加観測として、状態推定を洗練させ、長い範囲で検出器が見逃した物体を回収する。
RadarMOTは、AMOTA(Average Multi-Object Tracking Accuracy)を長距離で12.7%、悪天候で最大10.3%改善している。
論文 参考訳(メタデータ) (2026-04-15T07:31:54Z) - HyperDet: 3D Object Detection with Hyper 4D Radar Point Clouds [7.899148878601621]
検出器に依存しないレーダーのみの3D検出フレームワークであるHyperDetを提案する。
標準的なLiDAR指向検出器のためのタスク対応のハイパー4Dレーダーポイントクラウドを構築している。
MAN TruckScenesでは、HyperDetはVoxelNeXtとCenterPointによる生のレーダー入力よりも一貫して改善されている。
論文 参考訳(メタデータ) (2026-02-12T04:21:58Z) - 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-R: Cooperative LiDAR-4D Radar Fusion with Denoising Diffusion for 3D Object Detection [64.93675471780209]
我々は、LiDAR、カメラ、および4Dレーダを取り入れた初のシミュレーションV2XデータセットであるV2X-Rを提案する。
V2X-Rには12,079のシナリオがあり、LiDARと4Dレーダーポイント雲の37,727フレーム、150,908の画像、170,859の注釈付き3D車両バウンディングボックスがある。
本稿では,3次元物体検出のための新しいコラボレーティブLiDAR-4Dレーダ融合パイプラインを提案し,様々な融合戦略を用いて実装する。
論文 参考訳(メタデータ) (2024-11-13T07:41:47Z) - Better Monocular 3D Detectors with LiDAR from the Past [64.6759926054061]
カメラベースの3D検出器は、画像の奥行きのあいまいさのため、LiDARベースの検出器に比べて性能が劣ることが多い。
本研究では,未ラベルの歴史的LiDARデータを活用することにより,単分子3D検出器の改良を図る。
複数の最先端モデルやデータセットに対して,9.66ミリ秒の追加レイテンシとストレージコストの低い,一貫性と大幅なパフォーマンス向上を示す。
論文 参考訳(メタデータ) (2024-04-08T01:38:43Z) - 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。