Simultaneous Clutter Detection and Semantic Segmentation of Moving Objects for Automotive Radar Data

要約

レーダー センサーは、悪天候に対する堅牢性などの独自の特性により、自動運転車の環境認識システムの重要な部分となっています。
レーダー点群の処理における最初のステップの 1 つは、多くの場合、クラッター、つまり実際のオブジェクトに対応しない誤った点の検出です。
もう 1 つの共通の目的は、移動する道路利用者のセマンティック セグメンテーションです。
これら 2 つの問題は、文献では厳密に別々に扱われます。
採用されているニューラル ネットワークは、常に 1 つのタスクのみに完全に焦点を当てています。
これとは対照的に、私たちは単一の共同使用モデルを使用して両方のタスクを同時に解決する方法を検討します。
新しい拡張マルチヘッド アーキテクチャに加えて、2 つのタスクに対するネットワークの予測を 1 つの出力値だけで表現する方法も考案しました。
この新しいアプローチにより、従来のタスク固有のモデルと同じ推論時間でタスクを同時に解決することができます。
広範な評価の結果、RadarScenes データセットのセマンティック セグメンテーションに関して、このセットアップが非常に効果的であり、既存のすべてのネットワークよりも優れていることがわかりました。

要約(オリジナル)

The unique properties of radar sensors, such as their robustness to adverse weather conditions, make them an important part of the environment perception system of autonomous vehicles. One of the first steps during the processing of radar point clouds is often the detection of clutter, i.e. erroneous points that do not correspond to real objects. Another common objective is the semantic segmentation of moving road users. These two problems are handled strictly separate from each other in literature. The employed neural networks are always focused entirely on only one of the tasks. In contrast to this, we examine ways to solve both tasks at the same time with a single jointly used model. In addition to a new augmented multi-head architecture, we also devise a method to represent a network’s predictions for the two tasks with only one output value. This novel approach allows us to solve the tasks simultaneously with the same inference time as a conventional task-specific model. In an extensive evaluation, we show that our setup is highly effective and outperforms every existing network for semantic segmentation on the RadarScenes dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google