論文の概要: Physics-Based Plausibility Assessment of AI-Predicted Vehicle Parameters for Automotive Radar in Pre-Crash Scenarios
- arxiv url: http://arxiv.org/abs/2611.04871v1
- Date: Tue, 03 Nov 2026 13:26:46 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:40:43.787507
- Title: Physics-Based Plausibility Assessment of AI-Predicted Vehicle Parameters for Automotive Radar in Pre-Crash Scenarios
- Title（参考訳）: 衝突前シナリオにおける自動車レーダのAI予測車両パラメータの物理学的評価
- Abstract要約: AIに基づくレーダ認識の最近の進歩により、単一のレーダ測定サイクルから対象パラメータを直接推定できる。
オブジェクト推定は、測定されたレーダー信号と物理的に矛盾しながら高い統計的精度を達成することができる。
本稿では,自動車レーダ認識におけるAIから導かれる車両仮説を検証するための物理に基づく整合性評価フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.8108368962233585
- License:
- Abstract: Automotive radar is a key sensing modality for safety-critical vehicle functions due to its robustness under adverse weather and lighting conditions. Recent advances in AI-based radar perception enable the direct estimation of object parameters from a single radar measurement cycle. However, the internal decision process of data-driven models is typically not explicitly linked to the underlying radar sensing physics. Consequently, object estimates may achieve high statistical accuracy while remaining physically inconsistent with the measured radar signature, particularly in previously unseen scenarios. Such inconsistencies are especially critical for heading estimation, as they directly affect trajectory prediction and collision assessment in pre-crash scenarios. This paper presents a physics-based consistency assessment framework for validating AI-derived vehicle hypotheses in automotive radar perception. The proposed approach generates an expected radar signature from AI-estimated object parameters using a physics-based reference model that incorporates occlusion-dependent edge visibility, aspect- and angle-dependent RCS modeling, and characteristic wheel-induced MD signatures. The expected signature is compared with the observed radar point cloud using a Wasserstein-distance-based consistency metric computed from three complementary features: the spatial distribution of detections along object edges, the local detection count, and the radar reflection intensity. In this way, physically implausible object hypotheses can be identified and corrected independently of the underlying neural network architecture and without model retraining or architectural modifications. The proposed consistency module is integrated as a cascaded post-processing stage for vehicle heading estimation.
- Abstract（参考訳）: 自動車レーダーは、悪天候や照明条件下でのロバスト性のため、安全クリティカルな車両機能に対する重要な検知モダリティである。
AIに基づくレーダ認識の最近の進歩により、単一のレーダ測定サイクルから対象パラメータを直接推定できる。
しかし、データ駆動モデルの内部決定プロセスは、一般に、基礎となるレーダーセンシング物理と明示的に関係していない。
その結果、被写体推定値は、測定されたレーダーシグネチャと物理的に一致しないまま高い統計的精度を達成することができる。
このような不整合性は、先進的なシナリオにおける軌道予測と衝突評価に直接影響するため、特に方向推定において重要である。
本稿では,自動車レーダ認識におけるAIから導かれる車両仮説を検証するための物理に基づく整合性評価フレームワークを提案する。
提案手法は,オクルージョン依存エッジ可視性,アスペクトおよび角度依存RCSモデリング,特徴輪駆動MDシグネチャを組み込んだ物理ベース参照モデルを用いて,AI推定対象パラメータから予測されたレーダシグネチャを生成する。
予測されたシグネチャは、観測されたレーダー点雲と比較され、ワッサーシュタイン距離に基づく3つの相補的な特徴から計算された整合性測定値(物体のエッジに沿った検出の空間分布、局所的な検出数、レーダー反射強度)を用いて計算される。
このように、物理的に証明不可能なオブジェクト仮説を、基礎となるニューラルネットワークアーキテクチャとは独立して特定し、修正することができる。
提案した整合性モジュールは,車両走行推定のためのカスケード後処理段階として統合される。
関連論文リスト
- Anchor-Based AI Approach for Pre-Crash Object Detection Utilizing Micro-Doppler Signatures in Automotive Radar [1.7807058626065464]
アンカーベースのAIモデルは、マイクロドップラーシグネチャに明示的にフォーカスした高解像度レーダデータを処理するために提示される。
このモデルは、動的なシナリオでオブジェクトパラメータを推定し、異なるデータセットを効果的に処理する能力を強調します。
論文 参考訳（メタデータ） (2026-08-09T13:32:45Z) - 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) - AttentiveGRU: Recurrent Spatio-Temporal Modeling for Advanced Radar-Based BEV Object Detection [5.5967570276373655]
鳥眼視(Bird's-eye view, BEV)は、先進的な3Dレーダーによる知覚システムにおいて重要である。
本稿では,アテンラプティブ(AttenRUtive)について紹介する。
論文 参考訳（メタデータ） (2025-04-01T09:10:47Z) - OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T18:30:29Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - 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) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Deep Evaluation Metric: Learning to Evaluate Simulated Radar Point
Clouds for Virtual Testing of Autonomous Driving [0.0]
仮想テストのための環境センサモデルの使用は、自動運転のテスト労力を減らすための有望なアプローチです。
本研究では,ニューラルネットワークを訓練し,実際のレーダセンサデータとシミュレートしたレーダセンサデータを区別する。
本稿では,合成レーダデータの忠実度を決定する指標として,実レーダ点雲のクラスに対する分類器の信頼性スコアを提案する。
論文 参考訳（メタデータ） (2021-04-14T11:04:50Z) - Channel Boosting Feature Ensemble for Radar-based Object Detection [6.810856082577402]
レーダーベースの物体検出は、悪天候下でデプロイおよび使用される対応するセンサーモダリティを提供する。
提案手法の有効性をCOCO評価指標を用いて広く評価する。
論文 参考訳（メタデータ） (2021-01-10T12:20:58Z) - Automotive Radar Interference Mitigation with Unfolded Robust PCA based
on Residual Overcomplete Auto-Encoder Blocks [88.46770122522697]
自律走行では、レーダーシステムは道路上の他の車両のような標的を検出する上で重要な役割を果たす。
自動車用レーダー干渉緩和のための深層学習手法は、目標の振幅を確実に推定できるが、それぞれの目標の位相を回復できない。
干渉の有無で振幅と位相の両方を推定できる効率的かつ効率的な手法を提案する。
論文 参考訳（メタデータ） (2020-10-14T09:41:06Z)
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。