Unsupervised Radar Point Cloud Enhancement via Arbitrary LiDAR Guided Diffusion Prior

要約

産業用自動化では、レーダーは機械の知覚における重要なセンサーです。
ただし、レーダーの角度分解能は、レーダーの動作波長とそのアンテナアレイの有効な開口部の両方に依存するレイリー基準によって本質的に制限されています。これらのハードウェア誘導制限を克服するために、最近のニューラルネットワークベースの方法は、レーダーポイントクラウド解像度を強化するためにレーダー測定と組み合わせた高解像度LIDARデータを活用しています。
効果的ですが、これらのアプローチには広範なペアのデータセットが必要であり、獲得に費用がかかり、キャリブレーションエラーが発生しやすいです。
これらの課題は、ペアの高解像度の地下真実データに依存せずにレーダーの解像度を改善できる方法の必要性を動機付けます。
ここでは、ペアのトレーニングデータを必要とせずに、任意のlidar誘導拡散モデルを事前として使用する監視されていないレーダーポイント拡張アルゴリズムを導入します。
具体的には、私たちのアプローチは、レーダー角の推定回復を逆問題として定式化し、任意のLIDARドメインの知識を持つ拡散モデルを通じて事前知識を組み込みます。
実験結果は、私たちの方法が、従来の正規化手法と比較して高い忠実度と低ノイズ性能を達成することを示しています。
さらに、ペアのトレーニング方法と比較して、同等のパフォーマンスを達成するだけでなく、改善された一般化能力も提供します。
私たちの知る限り、これは、ペアのトレーニングデータに依存するのではなく、拡散モデルを介して事前知識を統合することにより、レーダーポイント出力を強化する最初のアプローチです。
私たちのコードは、https：//github.com/yyxr75/radarinvで入手できます。

要約(オリジナル)

In industrial automation, radar is a critical sensor in machine perception. However, the angular resolution of radar is inherently limited by the Rayleigh criterion, which depends on both the radar’s operating wavelength and the effective aperture of its antenna array.To overcome these hardware-imposed limitations, recent neural network-based methods have leveraged high-resolution LiDAR data, paired with radar measurements, during training to enhance radar point cloud resolution. While effective, these approaches require extensive paired datasets, which are costly to acquire and prone to calibration error. These challenges motivate the need for methods that can improve radar resolution without relying on paired high-resolution ground-truth data. Here, we introduce an unsupervised radar points enhancement algorithm that employs an arbitrary LiDAR-guided diffusion model as a prior without the need for paired training data. Specifically, our approach formulates radar angle estimation recovery as an inverse problem and incorporates prior knowledge through a diffusion model with arbitrary LiDAR domain knowledge. Experimental results demonstrate that our method attains high fidelity and low noise performance compared to traditional regularization techniques. Additionally, compared to paired training methods, it not only achieves comparable performance but also offers improved generalization capability. To our knowledge, this is the first approach that enhances radar points output by integrating prior knowledge via a diffusion model rather than relying on paired training data. Our code is available at https://github.com/yyxr75/RadarINV.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google