Core Concepts
提案手法Radar-diffusionは、平均回帰型確率微分方程式に基づく拡散モデルを用いて、疎なミリ波レーダ点群を高密度のLiDAR点群に変換する。これにより、ミリ波レーダデータの分解能を大幅に向上させ、下流タスクでの利用を可能にする。
Abstract
本研究は、ミリ波レーダデータの点群スーパーレゾリューションに取り組んでいる。ミリ波レーダは悪天候下でも安定した性能を発揮するが、点群データが疎で多くのゴースト点を含むため、実用化には課題がある。
提案手法Radar-diffusionは以下の手順で動作する:
LiDARとレーダの点群データをbird's eye view (BEV)画像に変換する。
平均回帰型確率微分方程式に基づく拡散モデルを用いて、高品質なLiDARのBEV画像を低品質なレーダのBEV画像に劣化させるプロセスをモデル化する。
この劣化プロセスの逆過程を学習することで、疎なレーダ点群をLiDAR点群に似た高密度の点群に変換する。
提案手法は、VODデータセットとRadarHDデータセットで評価され、従来手法を大幅に上回る点群スーパーレゾリューション性能を示した。さらに、生成された高精度点群をポイントクラウド登録タスクに適用し、良好な結果を得た。
Stats
ミリ波レーダ点群はLiDARに比べ2桁低い分解能を持つ
ミリ波レーダ点群にはゴースト点が多数含まれる
Quotes
"ミリ波レーダセンサは悪天候下でも安定した性能を発揮するため、屋外モバイルロボティクスなどの全天候型知覚タスクに有望な解決策となる。"
"しかし、レーダ点群は比較的疎であり、大量のゴースト点を含むため、ミリ波レーダ技術の発展を大きく阻害している。"