ADCNet: Learning from Raw Radar Data via Distillation

要約

自動運転車と高度な運転支援システムが広く導入されるにつれ、レーダーを使用した堅牢な認識システムの構築への関心が高まっています。
レーダーベースのシステムは、LiDAR ベースのシステムよりも低コストで、悪天候に対する堅牢性が優れています。
ただし、生成される点群は通常、ノイズが多く、比較するとまばらです。
これらの課題に対処するために、最近の研究では、最終的なレーダー点群ではなく、生のレーダー データを使用することに重点が置かれています。
私たちはこの一連の作業に基づいて構築し、信号処理パイプラインの要素をネットワークに導入し、信号処理タスクで事前トレーニングすることで、RADIal データセットで最先端の検出パフォーマンスを達成できることを実証しました。
私たちの手法では、高価なオフライン信号処理アルゴリズムを使用してデータを疑似ラベル化し、この情報を高速畳み込みバックボーンに抽出するようにネットワークをトレーニングします。その後、認識タスクに合わせて微調整することができます。
広範な実験結果により、提案された手法の有効性が裏付けられています。

要約(オリジナル)

As autonomous vehicles and advanced driving assistance systems have entered wider deployment, there is an increased interest in building robust perception systems using radars. Radar-based systems are lower cost and more robust to adverse weather conditions than their LiDAR-based counterparts; however the point clouds produced are typically noisy and sparse by comparison. In order to combat these challenges, recent research has focused on consuming the raw radar data, instead of the final radar point cloud. We build on this line of work and demonstrate that by bringing elements of the signal processing pipeline into our network and then pre-training on the signal processing task, we are able to achieve state of the art detection performance on the RADIal dataset. Our method uses expensive offline signal processing algorithms to pseudo-label data and trains a network to distill this information into a fast convolutional backbone, which can then be finetuned for perception tasks. Extensive experiment results corroborate the effectiveness of the proposed techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google