High Resolution Point Clouds from mmWave Radar

要約

この論文では、シングルチップのミリ波レーダーから高解像度の点群を生成するための機械学習アプローチを検討します。
LIDAR やビジョンベースのシステムとは異なり、ミリ波レーダーは過酷な環境でも動作し、煙、霧、塵などの遮蔽物を透視できます。
残念ながら、現在のミリ波処理技術では、LIDAR 点群と比較して空間解像度が低くなります。
この論文では、低解像度のレーダー入力から LIDAR のような点群を構築するエンドツーエンドのニューラル ネットワークである RadarHD について説明します。
鏡面反射や偽反射が存在するため、レーダー画像を強化することは困難です。
また、信号の sinc 状の拡散パターンにより、レーダー データは従来の画像処理技術にうまく対応できません。
私たちは、多様な屋内設定にわたる LIDAR 点群と組み合わせた大量の生の I/Q レーダー データで RadarHD をトレーニングすることで、これらの課題を克服しました。
私たちの実験では、トレーニング中に観察されなかったシーンや激しい煙のオクルージョンが存在する場合でも、豊富な点群を生成できることがわかりました。
さらに、RadarHD の点群は、既存の LIDAR オドメトリおよびマッピング ワークフローで動作するのに十分な高品質です。

要約(オリジナル)

This paper explores a machine learning approach for generating high resolution point clouds from a single-chip mmWave radar. Unlike lidar and vision-based systems, mmWave radar can operate in harsh environments and see through occlusions like smoke, fog, and dust. Unfortunately, current mmWave processing techniques offer poor spatial resolution compared to lidar point clouds. This paper presents RadarHD, an end-to-end neural network that constructs lidar-like point clouds from low resolution radar input. Enhancing radar images is challenging due to the presence of specular and spurious reflections. Radar data also doesn’t map well to traditional image processing techniques due to the signal’s sinc-like spreading pattern. We overcome these challenges by training RadarHD on a large volume of raw I/Q radar data paired with lidar point clouds across diverse indoor settings. Our experiments show the ability to generate rich point clouds even in scenes unobserved during training and in the presence of heavy smoke occlusion. Further, RadarHD’s point clouds are high-quality enough to work with existing lidar odometry and mapping workflows.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google