Towards Dense and Accurate Radar Perception Via Efficient Cross-Modal Diffusion Model

要約

ミリ波 (mmWave) レーダーは、極端な気象条件でも動作できるため、学界と産業界の両方から大きな注目を集めています。
ただし、それらは、超小型航空機 (MAV) 自律ナビゲーションの分野での応用を妨げる、スパース性とノイズ干渉の点で課題に直面しています。
この目的を達成するために、この論文では、クロスモーダル学習による高密度で正確なミリ波レーダー点群構築への新しいアプローチを提案します。
具体的には、生成モデリングにおいて最先端のパフォーマンスを備えた拡散モデルを導入し、ペアの生のレーダー データから LiDAR のような点群を予測します。
また、提案された手法がコンピューティング リソースが限られた MAV 上で実装できることを保証するために、最新の拡散モデル推論高速化技術も組み込まれています。広範なベンチマーク比較と実際の実験を通じて提案された手法を検証し、その優れたパフォーマンスと一般化能力を実証します。
コードと事前トレーニングされたモデルは https://github.com/ZJU-FAST-Lab/Radar-Diffusion で入手できます。

要約(オリジナル)

Millimeter wave (mmWave) radars have attracted significant attention from both academia and industry due to their capability to operate in extreme weather conditions. However, they face challenges in terms of sparsity and noise interference, which hinder their application in the field of micro aerial vehicle (MAV) autonomous navigation. To this end, this paper proposes a novel approach to dense and accurate mmWave radar point cloud construction via cross-modal learning. Specifically, we introduce diffusion models, which possess state-of-the-art performance in generative modeling, to predict LiDAR-like point clouds from paired raw radar data. We also incorporate the most recent diffusion model inference accelerating techniques to ensure that the proposed method can be implemented on MAVs with limited computing resources.We validate the proposed method through extensive benchmark comparisons and real-world experiments, demonstrating its superior performance and generalization ability. Code and pretrained models will be available at https://github.com/ZJU-FAST-Lab/Radar-Diffusion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google