Diffusion-Based Point Cloud Super-Resolution for mmWave Radar Data

要約

ミリ波レーダーセンサーは、悪環境条件下でも安定した性能を維持するため、屋外移動ロボットなどの全天候型認識タスクにとって有望なソリューションとなります。
ただし、レーダー点群は比較的まばらで、大量のゴースト ポイントが含まれているため、ミリ波レーダー技術の開発が大幅に制限されます。
この論文では、レーダー拡散と呼ばれる、3D ミリ波レーダー データに対する新しい点群超解像度アプローチを提案します。
私たちのアプローチは、平均反転確率微分方程式(SDE)によって定義された拡散モデルを採用しています。
対応する LiDAR 点群からの監視とともに提案された新しい目的関数を使用することで、当社のアプローチはレーダーのゴースト ポイントを効率的に処理し、まばらなミリ波レーダー点群を高密度の LiDAR のような点群に強化します。
私たちは 2 つの異なるデータセットでアプローチを評価し、実験結果は、私たちの方法が 3D レーダー超解像度タスクにおける最先端のベースライン方法よりも優れていることを示しています。
さらに、強化されたレーダー ポイント クラウドが下流のレーダー ポイント ベースの登録タスクを実行できることを実証します。

要約(オリジナル)

The millimeter-wave radar sensor maintains stable performance under adverse environmental conditions, making it a promising solution for all-weather perception tasks, such as outdoor mobile robotics. However, the radar point clouds are relatively sparse and contain massive ghost points, which greatly limits the development of mmWave radar technology. In this paper, we propose a novel point cloud super-resolution approach for 3D mmWave radar data, named Radar-diffusion. Our approach employs the diffusion model defined by mean-reverting stochastic differential equations(SDE). Using our proposed new objective function with supervision from corresponding LiDAR point clouds, our approach efficiently handles radar ghost points and enhances the sparse mmWave radar point clouds to dense LiDAR-like point clouds. We evaluate our approach on two different datasets, and the experimental results show that our method outperforms the state-of-the-art baseline methods in 3D radar super-resolution tasks. Furthermore, we demonstrate that our enhanced radar point cloud is capable of downstream radar point-based registration tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google