Improved Orientation Estimation and Detection with Hybrid Object Detection Networks for Automotive Radar

要約

このホワイト ペーパーでは、グリッド ベースとポイント ベースの処理を組み合わせて、レーダー ベースの物体検出ネットワークの検出性能と方向推定を改善する新しいハイブリッド アーキテクチャについて説明します。
純粋なグリッド ベースの検出モデルは、入力点群の鳥瞰図 (BEV) 投影で動作します。
これらのアプローチは、個別のグリッド解像度によって詳細な情報が失われるという問題があります。
これは特に、レーダー点群のまばらさを考慮して比較的粗いグリッド解像度が一般的に使用されるレーダー物体検出に当てはまります。
対照的に、点ベースのモデルは離散化せずに点群を処理するため、この問題の影響を受けません。
ただし、一般に、グリッドベースの方法よりも検出パフォーマンスが低下します。
ポイントベースのモデルが、グリッド レンダリングの前に、ポイントの正確な相対位置を利用して、近隣の特徴を抽出できることを示します。
これは、後続のグリッドベースの畳み込み検出バックボーンに大きな利点をもたらします。
公開されている nuScenes データセットでの実験では、ハイブリッド アーキテクチャは、以前の文献のネットワークよりも、検出性能 (次善のレーダーのみの送信よりも車のクラスで 19.7% 高い mAP) と向きの推定 (11.5% の相対的な向きの改善) の点で改善を達成しています。

要約(オリジナル)

This paper presents novel hybrid architectures that combine grid- and point-based processing to improve the detection performance and orientation estimation of radar-based object detection networks. Purely grid-based detection models operate on a bird’s-eye-view (BEV) projection of the input point cloud. These approaches suffer from a loss of detailed information through the discrete grid resolution. This applies in particular to radar object detection, where relatively coarse grid resolutions are commonly used to account for the sparsity of radar point clouds. In contrast, point-based models are not affected by this problem as they process point clouds without discretization. However, they generally exhibit worse detection performances than grid-based methods. We show that a point-based model can extract neighborhood features, leveraging the exact relative positions of points, before grid rendering. This has significant benefits for a subsequent grid-based convolutional detection backbone. In experiments on the public nuScenes dataset our hybrid architecture achieves improvements in terms of detection performance (19.7% higher mAP for car class than next-best radar-only submission) and orientation estimates (11.5% relative orientation improvement) over networks from previous literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google