自動運転知覚2026/9/17arXiv:2609.21000

スピニングレーダのドップラー速度計測は車両検出・追跡を改善するか？

Do Spinning Radar Doppler Velocity Measurements Improve Vehicle Detection and Tracking?

シェア:X Threads Facebook LINE はてブ Bluesky

スピニングFMCWレーダのドップラー速度情報が車両検出・追跡に与える影響を調査し、ドップラー歪み補正と速度事前分布により検出精度と追跡精度が向上することを示した。

詳しい要約

1. どんなもの？

- 回転式FMCW radarのDoppler速度計測が車両検出・追跡性能を向上させるか調査。 - 検出では自己運動推定でDoppler距離歪みを補正。 - 追跡では車両ごとの速度を推定し運動モデルの事前情報に利用。 - 動的物体ラベル付きDoppler対応回転式radarデータがないため、自動ラベリングパイプラインを構築。 - Boreas Road Trip datasetの643 kmをラベル付けし、250 km以上の車両密集シーケンスで訓練・評価。

2. 先行研究と比べてどこがすごい？

- 従来の回転式radarはDoppler速度を活用していなかった。 - 本研究はDoppler速度計測が検出・追跡に有効かを初めて体系的に検証。 - 自動ラベリングにより大規模な訓練データを生成し、Doppler対応radarの評価を可能にした。 - 検出精度を最大2.37ポイント、追跡精度を13.68ポイント向上。 - 真速度を事前情報に使う場合の99.7%のMOTAを達成。

3. 技術・手法の肝は？

- 検出：自己運動を推定し、Doppler距離歪みを補正してからネットワークに入力。 - 追跡：車両ごとの速度を推定し、トラッカーの運動モデルの事前情報として利用。 - 自動ラベリング：微調整済みの既存lidar検出器のアンサンブルでBoreas Road Trip datasetをラベル付け。 - 検出をradarに転送し、車両密集シーケンスを訓練データとして使用。 - 2つの最先端検出器を訓練・評価。

4. どうやって有効だと検証した？

- Boreas Road Trip datasetの643 kmを自動ラベリング。 - 250 km以上の車両密集シーケンスを訓練データとして使用。 - 2つの最先端検出器を訓練・評価し、Doppler補正なしと比較。 - 検出精度：mAPが最大2.37ポイント向上。 - 追跡精度：MOTAがゼロ速度初期化ベースラインより13.68ポイント向上、真速度事前情報の99.7%を達成。

5. 議論はある？

- 要旨からは不明。 - ただし、Doppler速度の活用が検出・追跡に有効であることを示唆。 - 自動ラベリングの精度や一般化可能性については言及なし。 - 他のradarやデータセットへの適用可能性は不明。

6. 次に読むべき論文は？

- 要旨で参照されている研究：Boreas Road Trip dataset、最先端検出器（具体的名称は要旨に記載なし）。 - 関連手法：FMCW radar、lidar検出器、MOTA。 - 同分野の定番：nuScenes dataset、Waymo Open Dataset、CenterPoint、PointPillarsなど。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Eric Xie, Daniil Lisus, Timothy D. Barfoot

分類: cs.RO, cs.CV, eess.SP

原文アブストラクト

Spinning frequency-modulated continuous-wave (FMCW) radars have been gaining popularity in autonomous vehicle perception on account of their robustness to adverse weather conditions and 360° field of view. Recently, scanning radars have also been shown capable of generating per-azimuth Doppler velocity. In this paper, we investigate whether these Doppler velocity measurements improve spinning radar vehicle detection and tracking performance. For detection, we estimate the ego motion and use it to undo the Doppler range distortion of the radar image before passing it to a network. For tracking, we propose a new way to estimate a per-vehicle velocity and use it as a prior for the tracker's motion model. Since Doppler-enabled spinning radar data is not available in any dataset with ground-truth dynamic object labels, our first contribution is an automatic labelling pipeline that uses an ensemble of fine-tuned off-the-shelf lidar detectors to label all 643 km of the Boreas Road Trip dataset. We then transfer detections to radar, and use over 250 km of vehicle-dense sequences as ground-truth training data. By training and evaluating two state-of-the-art detectors, we show that Doppler undistortion can improve detection accuracy by up to $2.37$ points on mean average precision. Furthermore, we show that the Doppler velocity prior can improve tracking accuracy by $13.68$ points on multi-object tracking accuracy (MOTA) versus the zero-velocity initialization baseline, while achieving $99.7\%$ of the MOTA obtained using ground-truth velocities as the prior.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧

PR本紙発行元 EmplifAI