RadarPillars: Efficient Object Detection from 4D Radar Point Clouds

要約

自動車レーダー システムは、距離、方位角、ドップラー速度だけでなく、標高データも提供できるように進化してきました。
この追加の次元により、4D レーダーを 3D 点群として表現できるようになります。
その結果、当初は LiDAR データ用に開発された 3D 物体検出のための既存の深層学習手法が、多くの場合、これらのレーダー点群に適用されます。
ただし、これでは、極端な希薄性や速度情報の最適な利用など、4D レーダー データの特殊な特性が無視されます。
最先端技術におけるこれらのギャップに対処するために、柱ベースの物体検出ネットワークである RadarPillars を紹介します。
RadarPillars は、動径速度データを分解し、効率的な特徴抽出のための PillarAttendant を導入し、レーダーのスパース性に対応するレイヤー スケーリングを研究することにより、デルフトビュー データセットでの最先端の検出結果を大幅に上回ります。
重要なのは、パラメータ数が大幅に削減され、効率の点で既存の方法を上回り、エッジ デバイスでのリアルタイム パフォーマンスが可能になることです。

要約(オリジナル)

Automotive radar systems have evolved to provide not only range, azimuth and Doppler velocity, but also elevation data. This additional dimension allows for the representation of 4D radar as a 3D point cloud. As a result, existing deep learning methods for 3D object detection, which were initially developed for LiDAR data, are often applied to these radar point clouds. However, this neglects the special characteristics of 4D radar data, such as the extreme sparsity and the optimal utilization of velocity information. To address these gaps in the state-of-the-art, we present RadarPillars, a pillar-based object detection network. By decomposing radial velocity data, introducing PillarAttention for efficient feature extraction, and studying layer scaling to accommodate radar sparsity, RadarPillars significantly outperform state-of-the-art detection results on the View-of-Delft dataset. Importantly, this comes at a significantly reduced parameter count, surpassing existing methods in terms of efficiency and enabling real-time performance on edge devices.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google