Core Concepts
mmWaveレーダーのスパースなポイントクラウドを、低コストのカメラとIMUを使用して視覚慣性監視により強化する。
Abstract
本論文は、mmWaveレーダーのポイントクラウドを強化する手法「mmEMP」を提案する。mmWaveレーダーは悪天候下でも環境を認識できるが、ポイントクラウドが疎らであるという課題がある。現在の手法では高価なLiDARデータを使用して強化するが、LiDARは一般的な車両には搭載されていない。
mmEMPでは、低コストのカメラとIMUを使用して視覚慣性監視を行い、ポイントクラウドを強化する。動的な物体の3D位置を復元する動的3D再構築アルゴリズムと、ポイントクラウドを密にし偽のポイントを除去するニューラルネットワークを提案している。
実験では、mmEMPがLiDARベースの手法と同等の性能を達成し、物体検出、位置推定、マッピングなどのアプリケーションでも有効であることを示している。これにより、低コストのセンサを使ってmmWaveレーダーの性能を向上させることができる。
Stats
レーダーポイントクラウドの密度レベルは、動的特徴点の数が増えるにつれて大幅に低下する。
動的特徴点の数が増えるにつれて、生成されたポイントクラウドとグラウンドトゥルースの間のChamfer距離とHausdorff距離が増加する。
Quotes
動的特徴点の3D位置を正しく復元できないと、ポイントクラウド生成の性能が大幅に低下する。
視覚慣性SLAM手法では、動的特徴点が存在すると3D再構築ができない。