K-Radar: 4D Radar Object Detection Dataset and Benchmark for Autonomous Driving in Various Weather Conditions

要約

可視光帯域（384 $ \ sim $ 769 THz）を使用するRGBカメラや赤外線帯域（361 $ \ sim $ 331 THz）を使用するLidarとは異なり、レーダーは比較的長い波長の無線帯域（77 $ \ sim $ 81 GHz）を使用するため、堅牢です。
悪天候での測定。
残念ながら、既存のレーダーデータセットには、既存のカメラおよびLidarデータセットと比較して比較的少数のサンプルしか含まれていません。
これは、レーダーベースの知覚のための高度なデータ駆動型深層学習技術の開発を妨げる可能性があります。
さらに、既存のレーダーデータセットのほとんどは、ドップラー、範囲、および方位角の次元に沿った電力測定値を含む3Dレーダーテンソル（3DRT）データのみを提供します。
標高情報がないため、3DRTからオブジェクトの3Dバウンディングボックスを推定することは困難です。
この作業では、KAIST-Radar（K-Radar）を紹介します。これは、ドップラー、範囲、方位、および高度に沿った電力測定を備えた4Dレーダーテンソル（4DRT）データの35Kフレームを含む新しい大規模なオブジェクト検出データセットおよびベンチマークです。
寸法と、道路上のオブジェクトの注意深く注釈が付けられた3D境界ボックスラベル。
Kレーダーには、さまざまな道路構造（都市、郊外の道路、路地、高速道路）の悪天候（霧、雨、雪）などの困難な運転条件が含まれます。
4DRTに加えて、慎重にキャリブレーションされた高解像度Lidar、サラウンドステレオカメラ、およびRTK-GPSからの補助測定を提供します。
また、4DRTベースのオブジェクト検出ベースラインニューラルネットワーク（ベースラインNN）を提供し、高さ情報が3Dオブジェクト検出に重要であることを示します。
また、ベースラインNNを同様に構造化されたLidarベースのニューラルネットワークと比較することにより、4Dレーダーが悪天候に対してより堅牢なセンサーであることを示しています。
すべてのコードはhttps://github.com/kaist-avelab/k-radarで入手できます。

要約(オリジナル)

Unlike RGB cameras that use visible light bands (384$\sim$769 THz) and Lidar that use infrared bands (361$\sim$331 THz), Radars use relatively longer wavelength radio bands (77$\sim$81 GHz), resulting in robust measurements in adverse weathers. Unfortunately, existing Radar datasets only contain a relatively small number of samples compared to the existing camera and Lidar datasets. This may hinder the development of sophisticated data-driven deep learning techniques for Radar-based perception. Moreover, most of the existing Radar datasets only provide 3D Radar tensor (3DRT) data that contain power measurements along the Doppler, range, and azimuth dimensions. As there is no elevation information, it is challenging to estimate the 3D bounding box of an object from 3DRT. In this work, we introduce KAIST-Radar (K-Radar), a novel large-scale object detection dataset and benchmark that contains 35K frames of 4D Radar tensor (4DRT) data with power measurements along the Doppler, range, azimuth, and elevation dimensions, together with carefully annotated 3D bounding box labels of objects on the roads. K-Radar includes challenging driving conditions such as adverse weathers (fog, rain, and snow) on various road structures (urban, suburban roads, alleyways, and highways). In addition to the 4DRT, we provide auxiliary measurements from carefully calibrated high-resolution Lidars, surround stereo cameras, and RTK-GPS. We also provide 4DRT-based object detection baseline neural networks (baseline NNs) and show that the height information is crucial for 3D object detection. And by comparing the baseline NN with a similarly-structured Lidar-based neural network, we demonstrate that 4D Radar is a more robust sensor for adverse weather conditions. All codes are available at https://github.com/kaist-avelab/k-radar.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google