4D mmWave Radar for Sensing Enhancement in Adverse Environments: Advances and Challenges

要約

インテリジェントな輸送システムには、正確で信頼できるセンシングが必要です。
ただし、雨、雪、霧などの不利な環境は、ライダーとカメラの性能を大幅に低下させる可能性があります。
対照的に、4D MMWaveレーダーは、3Dポイントクラウドと速度測定を提供するだけでなく、挑戦的な状況で堅牢性を維持します。
最近、不利な環境の下での4D MMWaveレーダーに関する研究は増加していますが、包括的なレビューはまだ不足しています。
このギャップを埋めるために、この作業は、不利な環境の下で4D MMWaveレーダーに関する現在の研究をレビューします。
まず、多様な天気や照明シナリオを含む既存の4D MMWaveレーダーデータセットの概要を示します。
その後、4D MMWaveレーダーを活用する既存の学習ベースの方法を分析して、さまざまな不利益に応じてパフォーマンスを向上させます。
最後に、過酷な環境で4D MMWaveレーダーアプリケーションを進めるための課題と潜在的な将来の方向性について説明します。
私たちの知る限り、これは不利な環境で4D MMWaveレーダーに特に集中する最初のレビューです。
関連する研究は、https：//github.com/xiangypeng/4d-mmwave-radar-in-adverse-environmentsにリストされています。

要約(オリジナル)

Intelligent transportation systems require accurate and reliable sensing. However, adverse environments, such as rain, snow, and fog, can significantly degrade the performance of LiDAR and cameras. In contrast, 4D mmWave radar not only provides 3D point clouds and velocity measurements but also maintains robustness in challenging conditions. Recently, research on 4D mmWave radar under adverse environments has been growing, but a comprehensive review is still lacking. To bridge this gap, this work reviews the current research on 4D mmWave radar under adverse environments. First, we present an overview of existing 4D mmWave radar datasets encompassing diverse weather and lighting scenarios. Subsequently, we analyze existing learning-based methods leveraging 4D mmWave radar to enhance performance according to different adverse conditions. Finally, the challenges and potential future directions are discussed for advancing 4D mmWave radar applications in harsh environments. To the best of our knowledge, this is the first review specifically concentrating on 4D mmWave radar in adverse environments. The related studies are listed at: https://github.com/XiangyPeng/4D-mmWave-Radar-in-Adverse-Environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google