RaLiBEV: Radar and LiDAR BEV Fusion Learning for Anchor Box Free Object Detection System

要約

レーダーは、手頃な価格ですべての気象条件で信頼性の高い認識機能を提供できる唯一のセンサーであり、最新の先進運転支援システム (ADAS) および自動運転システムにおけるカメラおよび LiDAR の重要な補足として広く受け入れられています。
最近の最先端の研究では、レーダーと LiDAR の融合が、霧などの悪天候での堅牢な検出につながる可能性があることが明らかになりました。
ただし、これらの方法は、バウンディング ボックスの推定精度が低いという問題があります。
この論文では、アンカーボックスのない物体検出システムのための鳥瞰図 (BEV) 融合学習を提案します。このシステムは、レーダーの距離と方位角のヒートマップと LiDAR ポイント クラウドから導出された特徴を使用して、可能な物体を推定します。
フォアグラウンドまたはバックグラウンドのアンカー ポイントの分類と、対応するバウンディング ボックスの回帰との間の一貫性を促進するために、さまざまなラベル割り当て戦略が設計されています。
さらに、提案された物体検出器の性能は、新しいインタラクティブ変換モジュールを採用することによってさらに強化することができます。
最近公開された Oxford Radar RobotCar (ORR) データセットを使用して、この論文で提案された方法の優れたパフォーマンスを実証しました。
私たちのシステムの精度は、他の最先端の方法よりも大幅に優れていることを示しました。

要約(オリジナル)

Radar, the only sensor that could provide reliable perception capability in all weather conditions at an affordable cost, has been widely accepted as a key supplement to camera and LiDAR in modern advanced driver assistance systems (ADAS) and autonomous driving systems. Recent state-of-the-art works reveal that fusion of radar and LiDAR can lead to robust detection in adverse weather, such as fog. However, these methods still suffer from low accuracy of bounding box estimations. This paper proposes a bird’s-eye view (BEV) fusion learning for an anchor box-free object detection system, which uses the feature derived from the radar range-azimuth heatmap and the LiDAR point cloud to estimate the possible objects. Different label assignment strategies have been designed to facilitate the consistency between the classification of foreground or background anchor points and the corresponding bounding box regressions. Furthermore, the performance of the proposed object detector can be further enhanced by employing a novel interactive transformer module. We demonstrated the superior performance of the proposed methods in this paper using the recently published Oxford Radar RobotCar (ORR) dataset. We showed that the accuracy of our system significantly outperforms the other state-of-the-art methods by a large margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google